scikit-learn 模型评估方法之四

回归的评估方法前面我们也涉及过：LinearRegression（线性回归）官方例子解析。本文对回归的评估方法做一个详细的介绍。

1.官方函数汇总

sklearn.metrics模块中可用于回归评估的函数主要如下：

2.函数详解2.1 explained_variance(解释方差得分)

各参数的含义如下：

y_true：n维数组，正确的目标值。

y_pred：n维数组，预测的目标值。

sample_weight：n维数组，各特征的权重。

multioutput：用在多目标回归的时候，各个目标的损失或者得分时以什么样子的方式合起来计算。可选择的有： [‘raw_values’, ‘uniform_average’, ‘variance_weighted’]或者n维数组。其中默认为“uniform_average”，也就是说各目标权重平均。‘raw_values’表示按各行计算；‘variance_weighted’表示计算方差后按一定的权重平均。

官方例子如下：

计算过程如下：

我们看看 multioutput参数是怎么回事。

结果：

计算过程如下：

如果我们加上权重：

结果如下：

计算过程：

其它的函数的参数类似，后续不赘述。

2.2mean_absolute_error(平均绝对误差)

官方例子中，用法为：

2.3mean_squared_error(均方误差)

2.4mean_squared_log_error(均方误差对数)

2.5median_absolute_error(中位绝对误差)

2.6R2 score可决系数)

R2系数是用得最多的指标之一，为回归器默认的得分函数。最佳得分为1.其函数为：

sklearn.metrics.r2_score(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)。

计算公式如下：

其中：

3 小结

本文对用于回归的相关函数做了一个简要的介绍，回归的函数相对于聚类以及分类来说看上去要简单一点，但在后续的使用过程中如果涉及到正则化的话还是需要慢慢理解的，不过这是我们优化模型的基石，基础一定要打牢。

经过四篇文章，已经对模型评估的方法有了一个初步的了解，有了这些知识储备，后续在分析具体模型的时候也不会显得很突兀，可以更加愉快的学习啦！

附上前面几期模型评估方法的介绍：

scikit-learn 模型评估方法之一（概述）