MSE
MSE(Mean Squared Error),平均平方误差,为所有样本误差(真实值与预测值之差)的平方和,然后取均值。
MSE=1m∑i=1m(y(i)−y^(i))2MSE = \frac{1}{m}\sum_{i=1}^{m}(y ^ {(i)} - \hat{y} ^ {(i)}) ^ {2}MSE=m1∑i=1m(y(i)−y^(i))2
RMSE
RMSE(Root Mean Squared Error),平均平方误差的平方根,即在MSE的基础上,取平方根。
RMSE=MSE=1m∑i=1m(y(i)−y^(i))2RMSE = \sqrt{MSE} = \sqrt{\frac{1}{m}\sum_{i=1}^{m}(y ^ {(i)} - \hat{y} ^ {(i)}) ^ {2}}RMSE=MSE=m1∑i=1m(y(i)−y^(i))2
R2R ^ {2}R2
R2R ^ {2}R2为决定系数,用来表示模型拟合性的分值,值越高表示模型拟合性越好,最高为1,可能为负值。
R2R ^ {2}R2的计算公式为1减去RSS与TSS的商。其中,TSS(Total Sum of Squares)为所有样本与均值的差异,是方差的m倍。而RSS(Residual sum of squares)为所有样本误差的平方和,是MSE的m倍。
R2=1−RSSTSS=1−∑i=1m(y(i)−y^(i))2∑i=1m(y(i)−y‾)2y‾=1m∑i=1my(i)R ^ {2} = 1 - \frac{RSS}{TSS} = 1 - \frac{\sum_{i=1}^{m}(y ^ {(i)} - \hat{y} ^ {(i)}) ^ {2}}
{\sum_{i=1}^{m}(y ^ {(i)} - \overline{y}) ^ {2}} \\
\overline{y} = \frac{1}{m}\sum_{i=1}^{m}y ^ {(i)}R2=1−TSSRSS=1−∑i=1m(y(i)−y)2∑i=1m(y(i)−y^(i))2y=m1∑i=1my(i)
从公式定义可知,最理想情况,所有的样本的预测值与真实值相同,即RSS为0,此时R2R ^ {2}R2为1。
代码实现
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np
print(f"均方误差(MSE):{mean_squared_error(result, test_y)}")
print(f"根均方误差(RMSE):{np.sqrt(mean_squared_error(result, test_y))}")
print(f"测试集R^2:{r2_score(test_y, result)}")