概述

前三章主要介绍了机器学习分类模型评估-准确率(accuracy)、精确率(Precision)、查准类、召回率(Recall)、查全率、ROC曲线、F值(F-Measure)、AUC、P-R曲线，本节介绍机器学习回归模型评价指标-MAE, MSE, MAPE及代码实现。对于回归预测结果，通常会有平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方误差(MSE)等多个指标进行评价。这里，我们先介绍最常用的3个。

以下所有公式，

平均绝对误差（MAE）

就是绝对误差的平均值，它的计算公式如下：

MAE 的值越小，说明预测模型拥有更好的精确度。

代码实现

import numpy as npdef mse_value(y_true, y_pred):    """    参数:    y_true -- 测试集目标真实值    y_pred -- 测试集目标预测值        返回:    mse -- MSE 评价指标    """        n = len(y_true)    mse = sum(np.square(y_true - y_pred))/n    return mse

它表示误差的平方的期望值，它的计算公式如下：

MSE 的值越小，说明预测模型拥有更好的精确度。

代码实现

import numpy as npdef mse_value(y_true, y_pred):    """    参数:    y_true -- 测试集目标真实值    y_pred -- 测试集目标预测值        返回:    mse -- MSE 评价指标    """        n = len(y_true)    mse = sum(np.square(y_true - y_pred))/n    return mse

它是一个百分比值，表示预测结果较真实结果平均偏离。

MAPE 的值越小，说明预测模型拥有更好的精确度。

代码实现

import numpy as npdef mape(y_true, y_pred):    """    参数:    y_true -- 测试集目标真实值    y_pred -- 测试集目标预测值        返回:    mape -- MAPE 评价指标    """        n = len(y_true)    mape = sum(np.abs((y_true - y_pred)/y_true))/n*100    return mape