sklearn -回归分析的指标

• sklearn.metrics.explained_variance_score
  explained_variance_score(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)
  可释方差得分，表征数学模型中，残差的方差在整个数据集所占的比重的变量，计算公式如下：
  

  参数:
  y_true : 真实目标值的向量或者矩阵(样本数, 输出数)

  y_pred : 预测目标值的向量或矩阵

  sample_weight : 样本权重，是一个维度为（样本数）的向量

  multioutput : 在[‘raw_values’, ‘uniform_average’, ‘variance_weighted’]中的任意一个字符串或（输出数）维度的向量，表示有多维度输出结果时，如何得到总体评价的方法。

  1. ‘raw_values’ :返回所有输出数的得分，不进行总体评价计算
  2. ‘uniform_average’ :直接求取平均数作为总体评价
  3. ‘variance_weighted’ :以每个输出的方差作为权重进行加权平均。
  4. 若给定一个向量，直接用向量作为权重进行加权平均

• sklearn.metrics.max_error
  max_error(y_true, y_pred)
  直接计算预测目标与实际目标值的最大误差。

• sklearn.metrics.mean_absolute_error
  mean_absolute_error(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)
  平均绝对误差，预测目标值和实际目标值之间误差的绝对值的平均数，计算公式如下：
  
  参数同上。

• sklearn.metrics.mean_squared_error
  mean_squared_error(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)
  均方差，预测目标值和实际目标值之间误差的平方的平均数，计算公式如下：
  
  参数同上。

• sklearn.metrics.mean_squared_log_error
  mean_squared_log_error(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)
  对数均方差，即均方差取对数

• sklearn.metrics.median_absolute_error
  median_absolute_error(y_true, y_pred)
  绝对误差中位数，取样本绝对误差的中位数

• sklearn.metrics.r2_score
  R2 决定系数（拟合优度），表征回归方程在多大程度上解释了因变量的变化，或者说方程对观测值的拟合程度如何，计算公式如下：
  
  最优值为1（完全拟合），评价值可为负，为负时说明模型非常差。为0时，说明模型和样本基本没有关系。
  R2 决定系数通常可作为回归分析模型好坏与否的判别指标，因为其不受样本值的基数影响，而其他的判别指标在特定的情况下有用。