【Python机器学习】回归模型评估方法总结

回归模型评估常用的有四种方法，分别是：平均绝对值误差、均方误差、均方根误差和R平方值，如下表所示：

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)	均方误差	from sklearn.metrics import mean_squared_error
Root Mean Square Error(RMSE)	均方根误差	from sklearn.metrics import root_mean_squared_error
R-Squared	R平方值	from sklearn.metrics import r2_score

更多评估指标参见 sklearn 官方文档：sklearn.metrics 文档.

1.平均绝对误差 MAE

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

2.均方误差 MSE

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2 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

3.均方根误差 RMSE

图3 均方根误差

sklearn库的metrics模块提供了 root_mean_squared_error 方法

关于MAE与RMSE的比较见文章

https://medium.com/human-in-a-machine-world/mae-and-rmse-which-metric-is-better-e60ac3bde13d

4.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。其取值在0与1之间，其值越接近1，则变量的解释程度就越高，其值越接近0，其解释程度就越弱。其公式如图4所示：

图4 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

参考链接

【1】sklearn库的mean_absolute_error方法
【2】sklearn库的mean_squared_error方法
【3】sklearn库的root_mean_squared_error方法
【4】sklearn库的r2_score方法