评价指标 [Inkit wiki]

用户工具

站点工具


stat:eulv

评价指标

F1-score

Youden Index

AIC

BIC

回归评价

均方误差(MSE)

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

均方根误差(RMSE)

RMSE(Root Mean Squard Error)均方根误差。

rmse_test=mse_test ** 0.5

MAE(平均绝对误差)

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

R Squared

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)

sklearn

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)

不平衡数据

stat/eulv.txt · 最后更改: 2023/04/04 18:02 由 127.0.0.1