zoukankan      html  css  js  c++  java
  • 机器学习sklearn(76):算法实例(三十三)回归(五)线性回归大家族(三)回归类的模型评估指标

    0 简介

    1 是否预测了正确的数值

    from sklearn.metrics import mean_squared_error as MSE
    MSE(yhat,Ytest) y.max()
    y.min()
    cross_val_score(reg,X,y,cv=10,scoring="mean_squared_error") #为什么报错了?来试试看!
    import sklearn
    sorted(sklearn.metrics.SCORERS.keys())
    cross_val_score(reg,X,y,cv=10,scoring="neg_mean_squared_error")
    欢迎来的线性回归的大坑一号:均方误差为负。

     

    2 是否拟合了足够的信息

     

     

     

    #调用R2
    from sklearn.metrics import r2_score
    r2_score(yhat,Ytest)
    r2 = reg.score(Xtest,Ytest)
    r2
    我们现在踩到了线性回归的大坑二号:相同的评估指标不同的结果。

    #使用shift tab键来检查究竟哪个值先进行输入
    r2_score(Ytest,yhat) #或者你也可以指定参数,就不必在意顺序了
    r2_score(y_true = Ytest,y_pred = yhat)
    cross_val_score(reg,X,y,cv=10,scoring="r2").mean()

    import matplotlib.pyplot as plt
    sorted(Ytest)
    plt.plot(range(len(Ytest)),sorted(Ytest),c="black",label= "Data")
    plt.plot(range(len(yhat)),sorted(yhat),c="red",label = "Predict")
    plt.legend()
    plt.show()

     

     

    import numpy as np
    rng = np.random.RandomState(42) X = rng.randn(100, 80) y = rng.randn(100)
    cross_val_score(LR(), X, y, cv=5, scoring='r2')

     

     

     

     

     

     

     

     

  • 相关阅读:
    基于opencv的摄像头的标定
    图像的角点简介
    周转时间和平均带权时间等
    QT各个版本的下载的地址
    参考文献格式
    sublime中的emmet插件的使用技巧
    sublime快捷键
    CSS布局居中
    Markdown 语法说明(简体中文版)
    sql作业题
  • 原文地址:https://www.cnblogs.com/qiu-hua/p/14964898.html
Copyright © 2011-2022 走看看