ML benchmarks https://github.com/szilard/benchm-ml

https://blog.csdn.net/skullFang/article/details/79107127

用 真实值-预测值 然后平方之后求和平均。

y_preditc=reg.predict(x_test) #reg是训练好的模型
mse_test=np.sum((y_preditc-y_test)**2)/len(y_test) #跟数学公式一样的

RMSE（Root Mean Squard Error）均方根误差。

rmse_test=mse_test ** 0.5

mae_test=np.sum(np.absolute(y_preditc-y_test))/len(y_test)

分子是Residual Sum of Squares 分母是 Total Sum of Squares 分子就变成了我们的均方误差MSE，下面分母就变成了方差。

1- mean_squared_error(y_test,y_preditc)/ np.var(y_test)

from sklearn.metrics import mean_squared_error #均方误差
from sklearn.metrics import mean_absolute_error #平方绝对误差
from sklearn.metrics import r2_score#R square
#调用
mean_squared_error(y_test,y_predict)
mean_absolute_error(y_test,y_predict)
r2_score(y_test,y_predict)

https://www.kaggle.com/lct14558/imbalanced-data-why-you-should-not-use-roc-curve/notebook