评价线性回归的指标有四种，均方误差（Mean Squared Error）、均方根误差（Root Mean Squared Error）、平均绝对值误差（Mean Absolute Error）以及R Squared方法。 sklearnz中使用的，也是大家推荐的方法是R Squared方法。
1、均方误差 MSE
MSE的值越小，说明预测模型描述实验数据具有更好的精确度
2、均方根误差 RMSE
3、平均绝对值误差 MAE
4、 R平方 R2S
四种代码实现：
def mean_squared_error(y_true, y_predict):
"""计算y_true和y_predict之间的MSE"""
assert len(y_true) == len(y_predict), \
"the size of y_true must be equal to the size of y_predict"
return np.sum((y_true - y_predict)**2) / len(y_true)
def root_mean_squared_error(y_true, y_predict):
"""计算y_true和y_predict之间的RMSE"""
return sqrt(mean_squared_error(y_true, y_predict))
def mean_absolute_error(y_true, y_predict):
"""计算y_true和y_predict之间的RMSE"""
assert len(y_true) == len(y_predict), \
"the size of y_true must be equal to the size of y_predict"
return np.sum(np.absolute(y_true - y_predict)) / len(y_true)
def r2_score(y_true, y_predict):
"""计算y_true和y_predict之间的R Square"""
return 1 - mean_squared_error(y_true, y_predict)/np.var(y_true)import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston
from model_selection import train_test_split
from simplelinerregression import SimpleLineRegession2
from metrics import *
boston = load_boston()
x = boston.data[:, 5]
y = boston.target
x = x[y < 50.0]
y = y[y < 50.0]
x_train, x_test, y_train, y_test = train_test_split(x, y)
reg = SimpleLineRegession2()
reg.fit(x_train, y_train)
print 'MAE:', mean_absoulte_error(y_test, reg.predict(x_test))
print 'RMSE:', root_mean_squared_error(y_test, reg.predict(x_test))
print 'MSE:', mean_squared_error(y_test, reg.predict(x_test))
print 'RSE:', r2_score(y_test, reg.predict(x_test))
plt.scatter(x, y)
plt.plot(x, reg.predict(x), color="red")
plt.show()以上用波士顿房价数据，其中选择一个维度进行的分析：
不同指标的分数：
MAE: 4.341835956360974
RMSE: 6.2500402273
MSE: 39.063002842901284
RSE: 0.47025653581866034
参考文章：
https://blog.csdn.net/qq_37279279/article/details/81041470?utm_source=blogxgwz1
要是你在西安，感兴趣一起学习AIOPS，欢迎加入QQ群 860794445