Sickit-learn 回归模型性能评估函数

作者: 殉道者之花火 | 来源:发表于2018-12-17 13:53 被阅读0次

Sickit-learn 回归模型性能评估函数
零基础入门数据挖掘-Task4 建模调参
2020-04-01
数据挖掘3
ML- 回归模型性能评估
预测分析第二章（中）
机器学习中的性能度量指标汇总
一文深度解读模型评估方法
模型性能评估
模型性能评估

sklearn.metrics.explained_variance_score()
若 $\hat{y}$ 为预测值， $y$ 为实际值，则该回归方程的解释方差（explained variance）:
$explained\_variance(\hat{y},y)=1-\frac{Var(y-\hat{y})}{Var(y)}$
回归方程的解释方差越大则说明预测的结果越好。
sklearn.metrics.mean_absolute_error()
若 $\hat{y}$ 为预测值， $y$ 为实际值， $n$ 为样本数，则：
$MAE(\hat{y},y)=\frac{1}{n}\|y-\hat{y}\|_{1}$
sklearn.metrics.mean_squared_error()
若 $\hat{y}$ 为预测值， $y$ 为实际值， $n$ 为样本数，则回归模型的均方误差：
$MSE=\frac{1}{n}\|y-\hat{y}\|_2^2$
median_absolute_error()
若 $\hat{y}$ 为预测值， $y$ 为实际值， $n$ 为样本数,则回归模型的MedAE定义为：
$MedAE=median\{\|\hat{y}-y\|_1 \}$
sklearn.metrics.r2_score()
若 $\hat{y}$ 为预测值， $y$ 为实际值， $n$ 为样本数,则回归模型的 $R^2_{score}$ 定义为:
$R^2(\hat{y},y)=1-\frac{\|\hat{y}-y\|_2^2}{\|y-\bar{y}\|_2^2}$

这些函数都有一个参数multioutput，用来指定在多目标回归问题中，若干单个目标变量的损失或得分以什么样的方式被平均起来它的默认值是uniform_average，表示将所有预测目标值的损失以等权重的方式平均起来，如果你传入了一个shape为（n_oupputs,）的数组，那么数组内的数将被视为是对每个输出预测损失（或得分）的加权值，所以最终的损失就是按照你锁指定的加权方式来计算的如果multioutput是raw_values,那么所有的回归目标的预测损失或预测得分都会被单独返回一个shape是（n_output）的数组中.