机器学习回归模型常用评价指标
时间: 2025-03-06 08:47:26 浏览: 77
### 机器学习回归模型常用评价指标
#### MSE (Mean Squared Error)
均方误差通过计算每个实际值和预测值之间差异的平方平均数来量化模型性能。这一度量方法强调较大的误差,因为这些误差会被平方放大。因此,在优化过程中,减少较大偏差的影响变得尤为重要。
```python
from sklearn.metrics import mean_squared_error
mse_value = mean_squared_error(y_test, y_pred)
print(f"MSE: {mse_value}")
```
对于一个好的回归模型而言,MSE应当尽可能低[^1]。
#### MAE (Mean Absolute Error)
平均绝对误差表示的是真实值与预测值之差的绝对值的期望值。相比起MSE,MAE不会过分惩罚那些具有大偏离程度的数据点,这使得它更易于理解,并且更能反映实际情况中的预期误差大小。
```python
from sklearn.metrics import mean_absolute_error
mae_value = mean_absolute_error(y_test, y_pred)
print(f"MAE: {mae_value}")
```
此度量标准同样追求最小化,即越小越好[^3]。
#### R² Score (Coefficient of Determination)
决定系数用于描述由自变量解释的比例占总变异性的百分比;理想情况下它的数值应该趋近于1,意味着几乎所有的变异性都被所建立的模型捕捉到了。值得注意的是,即使是在随机噪声上构建的模型也可能获得正值,所以当遇到负分时,则表明模型表现极差甚至不如简单的常数基线模型。
```python
from sklearn.metrics import r2_score
r2_value = r2_score(y_test, y_pred)
print(f"R² Score: {r2_value}")
```
通常来说,更高的R²分数代表更好的拟合质量,不过需要注意过拟合的风险[^2]。
阅读全文
相关推荐


















