Python回归模型评估
原创
©著作权归作者所有:来自51CTO博客作者Shen Liang的原创作品,请联系作者获取转载授权,否则将追究法律责任
Python回归模型评估
1 声明
本文的数据来自网络,部分代码也有所参照,这里做了注释和延伸,旨在技术交流,如有冒犯之处请联系博主及时处理。
2 回归模型评估简介
对给给定的回归模型进行质量评估,常见概念见下:
残差,即实际值与预测值差的均值。
残差平方和,即实际值与预测值差的平方的均值。
注:这里的n是样本的数量,其中 是预测值, 是实际值。
R方,可反应目标向量中模型所解释的中的方差量。
注:这里n是样本的数量,其中 是预测值, 是实际值。 是实际值的均值。
3 回归模型评估代码示例
# 加载生成回归的包及计算模型分数的相关包
from sklearn.datasets import make_regression
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegression
# 指定X和y
features, target = make_regression(n_samples = 100,
n_features = 3,
n_informative = 3,
n_targets = 1,
noise = 50,
coef = False,
random_state = 12)
# 创建线性回归模型
ols = LinearRegression()
#以MSE(残差平方和)法交叉验证模型,这里Scikit-Learn内部约定指标取了负值。
print(cross_val_score(ols, features, target, scoring='neg_mean_squared_error',cv=4))
#以R方法交叉验证模型
print(cross_val_score(ols, features, target, scoring='r2',cv=4))
4 总结
无