0.32018.01.19 15:18
字數 913
閱讀 39609
喜歡 13
mse （mean squared error）叫做均方誤差。看公式
這裡的y是測試集上的。
用 真實值-**值 然後平方之後求和平均。
rmse（root mean squard error）均方根誤差。
這不就是mse開個根號麼。有意義麼？其實實質是一樣的。只不過用於資料更好的描述。
例如：要做房價**，每平方是萬元（真貴），我們**結果也是萬元。那麼差值的平方單位應該是 千萬級別的。那我們不太好描述自己做的模型效果。怎麼說呢？我們的模型誤差是 多少千萬？。。。。。。於是乾脆就開個根號就好了。我們誤差的結果就跟我們資料是乙個級別的可，在描述模型的時候就說，我們模型的誤差是多少萬元。
mae(平均絕對誤差)
不用解釋了吧。
上面的幾種衡量標準針對不同的模型會有不同的值。比如說**房價 那麼誤差單位就是萬元。數子可能是3，4，5之類的。那麼**身高就可能是0.1，0.6之類的。沒有什麼可讀性，到底多少才算好呢？不知道，那要根據模型的應用場景來。
看看分類演算法的衡量標準就是正確率，而正確率又在0～1之間，最高百分之百。最低0。很直觀，而且不同模型一樣的。那麼線性回歸有沒有這樣的衡量標準呢？答案是有的。
那就是r squared也就r方
光看這些東西很懵逼，其中分子是residual sum of squares 分母是 total sum of squares
那就看公式吧
懵逼（x2）
慢慢解釋。其實這個很簡單。
上面分子就是我們訓練出的模型**的所有誤差。
下面分母就是不管什麼我們猜的結果就是y的平均數。（瞎猜的誤差）
那結果就來了。
如果結果是0，就說明我們的模型跟瞎猜差不多。
如果結果是1。就說明我們模型無錯誤。
如果結果是0-1之間的數，就是我們模型的好壞程度。
如果結果是負數。說明我們的模型還不如瞎猜。（其實導致這種情況說明我們的資料其實沒有啥線性關係）
化簡上面的公式
分子分母同時除以m
那麼分子就變成了我們的均方誤差mse，下面分母就變成了方差。
具體模型**就不給了。只說這個幾種衡量標準的原始**。
y_preditc=reg.predict(x_test) #reg是訓練好的模型
mse_test=np.sum((y_preditc-y_test)**2)/len(y_test) #跟數學公式一樣的
rmse_test=mse_test ** 0.5mae_test=np.sum(np.absolute(y_preditc-y_test))/len(y_test)1- mean_squared_error(y_test,y_preditc)/ np.var(y_test)from sklearn.metrics import mean_squared_error #均方誤差
from sklearn.metrics import mean_absolute_error #平方絕對誤差
from sklearn.metrics import r2_score#r square
#呼叫mean_squared_error(y_test,y_predict)
mean_absolute_error(y_test,y_predict)
r2_score(y_test,y_predict)
回歸問題中的K折驗證
回歸問題中，為了調節網路引數 如訓練輪數 的同時對網路進行評估，一般將資料集分為訓練集和驗證集。但有時由於資料集比較小，驗證集會非常小。因此會導致驗證結果會有很大波動，無法對模型進行可靠的評估，此時，最佳的做法就是使用k折交叉驗證。k折交叉驗證的思路就是將資料集劃分為k個分割槽，通常k 4或k 5，...
回歸問題中的K折驗證
回歸問題中，為了調節網路引數 如訓練輪數 的同時對網路進行評估，一般將資料集分為訓練集和驗證集。但有時由於資料集比較小，驗證集會非常小。因此會導致驗證結果會有很大波動，無法對模型進行可靠的評估，此時，最佳的做法就是使用k折交叉驗證。k折交叉驗證的思路就是將資料集劃分為k個分割槽，通常k 4或k 5，...
回歸問題中5種常用損失函式
機器學習的所有演算法都需要最大化或者最小化目標函式，在最小化場景下，目標函式又稱損失函式。實際應用中,選取損失函式需要從多個角度考慮，如是否有異常值 演算法 求導難度 值的置信度等等。損失函式可分為兩大類，分類問題的損失函式和回歸問題的損失函式，本文將對比分析回歸問題中最常用的5個損失函式。回歸問題...