回归模型评估有三种方法，分别是：平均绝对值误差、均方误差和R平方值，如表1所示：

指标	描述	metrics方法
Mean Absolute Error(MAE)	平均绝对误差	from sklearn.metrics import mean_absolute_error
Mean Square Error(MSE)	平均方差	from sklearn.metrics import mean_squared_error
R-Squared	R平方值	from sklearn.metrics import r2_score

7.8.1 平均绝对误差

平均绝对误差（MAE）就是指预测值与真实值之间平均相差多大，公式如下：

图1 平均绝对误差（MAE）

其中，f_i是预测值，y_i是真实值，e_i=|f_i-y_i|即是绝对误差。
　　sklearn库的metrics模块提供了mean_absolute_error方法，用来评估回归模型，首先建立数据集和线性回归模型对测试集数据进行预测，示例代码：

# 创建数据集，其中矩阵X表示特征值，向量y表示所属类目标记值
import numpy as np
X=np.random.random((10,5))
y=np.random.randn(10,1)

# 数据切分为训练集和测试集
from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=0)

# 利用线性回归模型对数据进行拟合
from sklearn.linear_model import LinearRegression
lr=LinearRegression(normalize=True)
lr.fit(X_train,y_train)
 
# 对测试集数据预测
y_pred = lr.predict(X_test)
print(y_pred)
print(y_test)

运行结果：

[[-1.34421249]
 [-0.07903063]
 [-1.56484151]]
[[-0.3252582 ]
 [-1.31381548]
 [ 0.00690077]]

然后利用引入平均绝对误差方法对模型进行评估，示例代码：

from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_test, y_pred)

运行结果：

1.275160473519662

7.8.2 平均方差

均方误差是指参数估计值与参数真值之差平方的期望值，记为MSE。MSE是衡量平均误差的一种较方便的方法，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。均方误差的公式如下：

图6 均方误差

sklearn库的metrics模块提供了mean_squared_error方法，用来对回归模型进行均方误差评估，示例代码：

from sklearn.metrics import mean_squared_error
mean_squared_error(y_test, y_pred)

运行结果：

1.6777784223212659

7.8.3 R平方值

它是表征回归方程在多大程度上解释了因变量的变化，或者说方程对观测值的拟合程度如何。其公式如图7所示：

图7 R平均值

sklearn库的metrics模块提供了r2_score方法，用来对回归模型进行R平方值评估，示例代码：

from sklearn.metrics import r2_score
r2_score(y_test, y_pred)

运行结果：

-4.3321743235578118

7.:8.4 交叉验证（Cross-Validation）

交叉验证，有的时候也称作循环估计（Rotation Estimation），是一种统计学上将数据样本切割成较小子集的实用方法，该理论是由Seymour Geisser提出的。在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和。这个过程一直进行，直到所有的样本都被预报了一次而且仅被预报一次。把每个样本的预报误差平方加和，称为PRESS(predicted Error Sum of Squares)。
　　交叉验证的基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train set)，另一部分做为验证集(validation set or test set)。首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型(model)，以此来做为评价分类器的性能指标。
　　无论分类还是回归模型，都可以利用交叉验证，进行模型评估，示例代码：

from sklearn.cross_validation import cross_val_score
print(cross_val_score(knn, X_train, y_train, cv=4))
print(cross_cal_score(lr, X, y, cv=2))