1.2 均方誤差 mse
1.3 判定係數 r^2
參考資料
機器學習 | 目錄
機器學習 | 分類評估指標
mae
:(mean absolute error)平均絕對誤差,從圖形上看,mae 就相當於將資料點與擬合之間之間的距離絕對值之和。
mae 缺點:絕對值函式是不可微分的,這不利於使用諸如梯度下降方法,因此我們將使用更常見的 mse 均方誤差。
from sklearn.metrics import mean_absolute_error
from sklearn.linear_model import linearregression
classifier = linerregression()
classifier.fit(x, y)
guesses = classifier.predict(x)
error = mean_absolute_error(y, guesses)
mse
:(mean squared error)均方誤差,從圖形上看,為資料點到擬合直線之間的距離的平方。
mse 和 mae 有侷限性:同乙個演算法模型,解決不同的問題,不能體現此模型針對不同問題所表現的優劣。因為不同實際應用中,資料的量綱不同,無法直接比較**值,因此無法判斷模型更適合**哪個問題,因此我們將使用衡量線性回歸最好的指標:r
2r^2
r2。[1]
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import linearregression
classifier = linerregression()
classifier.fit(x, y)
guesses = classifier.predict(x)
error = mean_squared_error(y, guesses)
為了擬合一組資料,最簡單的方法就是取這組資料的均值並作直線,已知這個簡單模型的 mse 大於線性回歸的 mse ,然而大多少呢?因此類似於假設檢驗的檢驗統計量,我們將線性回顧的 mse 除以簡單模型的 mse,用1減去這個分數,就得到了r
2r^2
r2:(3)r2
=1−∑
i=1m
(y^(
i)−y
(i))
2∑i=
1m(y
ˉ−y(
i))2
r^2=1-\frac^m(\hat^-y^)^2}^m(\bar-y^)^2} \tag
r2=1−∑
i=1m
(yˉ
−y(
i))2
∑i=1
m(y
^(i
)−y(
i))2
(3)
(4)=1−
(∑i=
1m(y
^(i)
−y(i
))2)
/m(∑
i=1m
(yi−
yˉ)2
)/m\quad\quad\quad=1-\frac^m(\hat^-y^)^2)/m}^m(y^-\bar)^2)/m} \tag
=1−(∑i
=1m
(yi−
yˉ)
2)/m
(∑i=
1m(
y^(
i)−y
(i))
2)/m
(4)
(5)=1−
mse(
y^,y
)var
(y)=1-\frac, y)} \tag
=1−var
(y)m
se(y
^,y
)(5
) 如果這個回歸模型不太好,則兩個 mse 將很接近,則r
2r^2
r2將趨於0;
如果這個回歸模型很好,則回歸模型的 mse 應比簡單模型的 mse 小得多,因此r
2r^2
r2將趨於1
若r 2≤
0r^2 \le 0
r2≤0
因此,r
2r^2
r2越接近於1,則說明回歸模型越好;r
2r^2
r2越接近於0,則說明回歸模型越不好。
0.9078571428571429
[1] volcano!.機器學習:衡量線性回歸法的指標(mse、rmse、mae、r squared)[eb/ol]. 2018-05-29. 機器學習 回歸評估指標
1.2均方誤差 mse 1.3判定係數 r 2 參考資料 mae mean absolute error 平均絕對誤差,從圖形上看,mae 就相當於將資料點與擬合之間之間的距離絕對值之和。mae 缺點 絕對值函式是不可微分的,這不利於使用諸如梯度下降方法,因此我們將使用更常見的 mse 均方誤差。f...
機器學習 評估指標
2.1 錯誤率與精度 m個樣本,有a個分錯。錯誤率 e a m 精度 acc 1 a m 2.2 查準率 查全率和f1 tp 真正例 tn 真反例 fp 假正例 fn 假反例 查準率 p tptp fp 查全率 r tptp fn f1是查準率和查全率的調和平均數 1f 1 12 1p 1r 即 f...
機器學習 模型評估指標
from sklearn.metrics import accuracy score print 準確率 accuracy score y true,y pred,normalize true print 正確分類的數量 accuracy score y true,y pred,normalize ...