机器学习常用的五种预测结果评价

(64) 2024-05-16 07:01:01

引言:

机器学习和深度学习的广泛应用,人们对回归预测/分类预测的结果评估的重视,为此总结了五种常用的模型结果评估方法,并简要做一些说明,RMSE、MAE、Accuracy、R2、var等五种评估方法,其中精度一般用于分类预测上,但是,也可以用于回归预测评估上。

  1. 均方根误差:机器学习常用的五种预测结果评价 (https://mushiming.com/)  第1张

机器学习常用的五种预测结果评价 (https://mushiming.com/)  第2张

 

(2) 均方误差:机器学习常用的五种预测结果评价 (https://mushiming.com/)  第3张

机器学习常用的五种预测结果评价 (https://mushiming.com/)  第4张

(3) 精度:机器学习常用的五种预测结果评价 (https://mushiming.com/)  第5张

机器学习常用的五种预测结果评价 (https://mushiming.com/)  第6张

(4) 决定系数: 机器学习常用的五种预测结果评价 (https://mushiming.com/)  第7张

机器学习常用的五种预测结果评价 (https://mushiming.com/)  第8张

(5) 解释方差得分:机器学习常用的五种预测结果评价 (https://mushiming.com/)  第9张

机器学习常用的五种预测结果评价 (https://mushiming.com/)  第10张

RMSE 和 MAE 用来评估预测误差:其值越小越好。精度衡量预测结果的精度:越大越好。 R2 和var计算相关系数,评估预测结果对真实数据的表达能力,越大越好。R越大表示我们的模型效果越好,最大值为1。其中,

R=1:表明预测十分准确,没有任何错误

R=0:表明模型的效果很差

R<0:表明数据之间没有线性关系

最后附上封装函数:

from sklearn.metrics import mean_squared_error,mean_absolute_error
import numpy.linalg as la
import math
#模型评估
def evaluation(a,b):
    '''
    a,b为真值和预测值
    '''
    rmse = math.sqrt(mean_squared_error(a,b))#均方误差
    mae = mean_absolute_error(a, b)#绝对误差
    F_norm = la.norm(a-b)/la.norm(a)
    r2 = 1-((a-b)**2).sum()/((a-a.mean())**2).sum()
    var = 1-(np.var(a - b))/np.var(a)
    return rmse, mae, 1-F_norm, r2, var 

 

THE END

发表回复