三个评价线性回归算法的标准MSE、RMSE、MAE

            在分类算法中，我们首先将数据集分成训练数据集和测试数据集，用训练数据集去训练我们的分类模型，用测试数据集的输入特征去预测，将预测的结果与测试数据集的真实结果对比，得出模型的准确率。

对于线性回归算法：

上面的衡量标准是与样本数m有关的

对于均方误差(MSE)来说还有一个量纲上的问题，改进后会得到均方根误差（RMSE）

   

以上就是三个评价线性回归算法的标准

mean_squared_error是均方误差（MSE）

mean_absolute_error是绝对值误差（MAE）

   R平方模型衡量的是我们训练出的模型对比y等于y的均值这个基准模型的效果是怎么样

    

使用sklearn提供的包

三个评价线性回归标准的代码实现

import numpy as np
from math import sqrt


def accuracy_score(y_true, y_predict):
    """计算y_true和y_predict之间的准确率"""
    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) / len(y_true)


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MAE"""
    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)