衡量线性回归的性能指标

最新推荐文章于 2025-03-24 20:54:20 发布

inssiw i

最新推荐文章于 2025-03-24 20:54:20 发布

阅读量1.7k

点赞数 1

文章标签：线性回归 python 回归

本文链接：https://blog.youkuaiyun.com/Soul977/article/details/121846003

版权

该博客介绍了如何使用Python实现线性回归模型的评估，包括均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和R-Squared(R²)。通过提供的`LinearRegression`类，可以进行模型训练和预测，并运用这些评估指标对模型性能进行量化分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

任务描述
本关任务：根据本关卡所学知识，用Python实现线性回归常用评估指标，并对构造的线性回归模型进行评估。

相关知识
为了完成本关任务，你需要掌握：1.均方误差(MSE)；2.均方根误差(RMSE)；3.平均绝对误差(MAE)；4.R-Squared。

#encoding=utf8
import numpy as np
#mse
def mse_score(y_predict,y_test):
mse = np.mean((y_predict-y_test)**2)
return mse
#r2
def r2_score(y_predict,y_test):
'''
input:y_predict(ndarray):预测值
y_test(ndarray):真实值
output:r2(float):r2值
'''
#********* Begin *********#
r2 =1-mse_score(y_predict,y_test)/np.var(y_test)
#********* End *********#
return r2
class LinearRegression :
def __init__(self):
'''初始化线性回归模型'''
self.theta = None
def fit_normal(self,train_data,train_label):
'''
input:train_data(ndarray):训练样本
train_label(ndarray):训练标签
'''
#********* Begin *********#
x = np.hstack([np.ones((len(train_data),1)),train_data])
self.theta =np.linalg.inv(x.T.dot(x)).dot(x.T).dot(train_label)
#********* End *********#
return self
def predict(self,test_data):
'''
input:test_data(ndarray):测试样本
'''
#********* Begin *********#
x = np.hstack([np.ones((len(test_data),1)),test_data])
return x.dot(self.theta)
#********* End *********#