博主推荐访问chatGPT、急速访问Github必备魔法：SockBoom
或者网址：https://sockboom.shop/auth/register?affid=212828
一、机器学习简介
机器学习就是通过大量的数据进行训练，然后得出输入数据的模型特征；再次输入相关的数据时，能得到一个预测的结果。这在现实生活中解决了大量的问题，如：股票预测、物体分类、房价预测等等，这些都依赖机器学习带给我们的便利。
机器学习中又分为两大类：监督学习和非监督学习。
而监督学习中又分为回归问题和分类问题。
本文章中主要讲回归问题。
二、回归模型的评估指标
假设：
预测值：
真实值：
2.1 平均绝对误差 Mean Absolute Error ( MAE )
平均绝对误差 MAE，也叫平均绝对离差；在计算的时候，先对真实值与预测值求和，然后再取平均值。
公式：
范围 [0, +∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。
2.2 平均绝对百分误差 Mean Absolute Percentage Error ( MAPE )
平均绝对百分误差是对 MAE 改进后，通过计算真实值与预测的误差百分比避免了数据范围大小的影响。
公式：
范围[0,+∞)，MAPE 为0%表示完美模型，MAPE 大于 100 %则表示劣质模型。
可以看到，MAPE跟MAE很像，就是多了个分母。
注意点：当真实值有数据等于0时，存在分母0除问题，该公式不可用！
2.3 均方误差 Mean Square Error（ MSE ）
均方误差就是对平均绝对误差求平方根，这个指标在计算时，先对真实值与预测值的距离平方后求和，再取平均值。
公式：
范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。
一方面，该指标避免了MAE的绝对值导致函数不能求导的问题，因此均方误差常用于线性回归的损失函数；另一方面，均方误差可以通过平方来放大预测偏差较大的值，提高了检测的灵敏度。
2.4 均方根误差 Root Mean Square Error ( RMSE )
均方根误差（Root Mean Square Error），其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE=10，可以认为回归效果相比真实值平均相差10。
公式：
范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。
2.5 对称平均绝对百分比误差Symmetric Mean Absolute Percentage Error (SMAPE )
公式：
注意点：当真实值有数据等于0，而预测值也等于0时，存在分母0除问题，该公式不可用！
2.6 决定系数 R^2 Score
该指标需要了解另外三个指标：
Sum of Squares of the Regression，SSR
计算预测数据与真实数据均值之差的平方和，反映的是模型数据相对真实数据均值的离散程度。
Total Sum of Squares，SST
计算真实数据和其均值之差的平方和，反映的是真实数据相对均值的离散程度。
Sum of Squares for Error，SSE
真实数据和预测数据之差的平方和
细心的小伙伴可能注意到，SST = SSR + SSE
2.7 决定系数 R^2
决定系数 R^2，通过计算SSR 与 SST的比值，反应因变量 y 的全部变异能通过回归模型被自变量 x 解释的比例。比如，R^2 为0.9，则表示回归关系可以解释因变量 90% 的变异。
- 决定系数R2越高，越接近于1，模型的拟合效果就越好
- 决定系数R2越接近于0，回归直线拟合效果越差。
R^2 虽然可以评价回归模型效果，但会随着自变量数量的不断增加而改变。
三、python代码
# coding=utf-8
import numpy as np
from sklearn import metrics# MAPE和SMAPE需要自己实现
def mape(y_true, y_pred):return np.mean(np.abs((y_pred - y_true) / y_true)) * 100def smape(y_true, y_pred):return 2.0 * np.mean(np.abs(y_pred - y_true) / (np.abs(y_pred) + np.abs(y_true))) * 100y_true = np.array([1.0, 5.0, 4.0, 3.0, 2.0, 5.0, -3.0])
y_pred = np.array([1.0, 4.5, 3.5, 5.0, 8.0, 4.5, 1.0])# MSE
print(metrics.mean_squared_error(y_true, y_pred)) # 8.107142857142858
# RMSE
print(np.sqrt(metrics.mean_squared_error(y_true, y_pred))) # 2.847304489713536
# MAE
print(metrics.mean_absolute_error(y_true, y_pred)) # 1.9285714285714286
# MAPE
print(mape(y_true, y_pred)) # 76.07142857142858，即76%
# SMAPE
print(smape(y_true, y_pred)) # 57.76942355889724，即58%
后面我也会继续创作连载
创作不易，欢迎点赞收藏，支持作者创作
