计算准确率

现在我们知道如何建立一个回归者, 重要的是要了解如何评估回归者的质量. 在本上下文中, 错误被定义为实际值与由回归者预测的值之间的差.

准备

让我们快速了解什么指标可用于衡量回归者的质量. 可以使用许多不同的度量来评估回归者, 例如:

• 平均绝对误差

• 均方误差

• 中值绝对误差

• 解释方差分数

• R2分值

怎么做...?

scikit-learn中有一个模块, 提供了计算所有以下指标的功能. 打开一个新的Python文件并添加以下行:

import sklearn.metrics as sm

print ('Mean absolute error(平均绝对误差) =', round(sm.mean_absolute_error(y_test, y_test_pred), 2))
print ('Mean squared error(均方误差) =', round(sm.mean_squared_error(y_test, y_test_pred) 2))
print ('Median absolute error(中值绝对误差) =', round(sm.median_absolute_error(y_test, y_test_pred), 2))
print ('Explained variance score(姐释放差分数) =', round(sm.explained_variance_score(y_test, y_test_pred), 2))
print ('R2 score =', round(sm.r2_score(y_test, y_test_pred), 2))

跟踪每个单个指标可能会很单调, 因此我们选择一个或两个指标来评估我们的模型. 一个好的做法是确保均方误差低, 解释的方差分数高.