一篇文章写清楚一个问题，关注我，自学python！

解决一个机器学习问题都是从问题建模开始，我们首先要收集问题资料，深入理解问题后将其抽象成机器可预测的问题。那么我们的学习模型表现究竟怎么样，该如何进行评估呢？今天就给大家写一写回归问题的评估方法。

评估指标介绍

1、平均绝对误差 (Mean absolute error，MAE)

是所有单个观测值与算术平均值的偏差的绝对值的平均值，能够更好的反映模型误差的实际情况：

2、均方误差（Mean Squared Error，MSE）

是所有单个观测值与真值偏差的平方和与观测次数的比值，这个MSE也是线性回归中最常用的损失函数，线性回归过程中尽量让该损失函数最小。那么模型之间的对比也可以以它为标准。

3、均方根误差（Root Mean Squard Error，RMSE）

这个可以和方差和标准差一块儿类比，标准差是方差的算术平方根。
标准误差是均方误差的算术平方根。
标准差是用来衡量一组数自身的离散程度，而均方根误差是用来衡量观测值同真值之间的偏差，它们的研究对象和研究目的不同，但是计算过程类似。

它的意义在于开个根号后，误差的结果就与数据是一个级别的，可以更好地来描述数据。标准误差对一组测量中的特大或特小误差反映非常敏感，所以，标准误差能够很好地反映出测量的精密度。这正是标准误差在工程测量中广泛被采用的原因。

4、R方（R-squared）

在上面式子中：

上面的分子就是我们训练出的模型预测的误差和。

下面的分母就是瞎猜的误差和。（通常取观测值的平均值）

如果R方结果是0，就说明我们的模型跟瞎猜差不多。

如果R方结果是1。就说明我们模型无错误。

一般情况下我们会认为超过0.8的模型拟合优度比较高。

评价指标python实操

现在进行实操，首先，导入数据，训练模型：

wine = pd.read_csv("dataset/winequality.csv", sep=";")
wine.head()

X = wine.drop('quality', axis = 1)
y = wine.quality

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=3)

from sklearn.linear_model import LinearRegression
lr = LinearRegression()
lr.fit(x_train, y_train)
y_pred = lr.predict(x_test)
y_pred[:10]

以上代码依次实现了导入数据（请关注后私信获取数据），划分数据集和标签，划分训练集和测试集以及训练线性回归模型，之前文章都有讲过这些步骤。我们训练了一个线性回归模型来预测红酒质量，模型不作为本文重点，重点看模型评价方法。

现在来看模型评价的python实现。

平均绝对误差

from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_test, y_pred)

直接导入mean_absolute_error方法就可以得到模型的平均绝对误差。

均方误差

from sklearn.metrics import mean_squared_error
print("Mean Squared Error: ",mean_squared_error(y_test, y_pred))

直接导入mean_squared_error方法就可以得到模型的均方误差。

均方根误差

print("Root Mean Squared Error: ",mean_squared_error(y_test, y_pred, squared=False))

mean_squared_error方法的squared参数设置为False即可获得均方根误差。

R方

from sklearn.metrics import r2_score
r2_score(y_test, y_pred)

直接导入r2_score方法就可以得到模型的R方。

小结

今天给大家介绍了回归模型的评价方法和代码实现，包括平均绝对误差、均方误差、均方根误差、R方。感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python的，加油。

（站外链接发不了，请关注后私信回复“数据链接”获取本头条号所有使用数据）

往期内容：

python机器学习：分类问题学习模型的评价方法及代码实现

python机器学习：如何划分训练集和测试集