机器学习回归评价指标 Regression risk metrics

机器学习回归评价指标，一些Regression risk metrics

整理自用

y ̂_i是第i个样本的预测值，y_i是相应的真实值，评估n个样本点的方法,
其中

MSE(均方误差)

Mean Square Error

from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)

MAE(平均绝对误差)

Mean Absolute Error，MAE没有归一化。

from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)

MAPE（平均绝对百分比误差）

Mean Absolute Percentage Error 也叫mean absolute percentage deviation (MAPD)，是MAE的归一化，但是感觉不太好用，做过一个例子rr是0.2左右，而MAPE是13%。

sklearn官方文档里的MAPE多定义了一个∈，避免了分母为0的问题。

 from sklearn.metrics import mean_absolute_percentage_error
 mean_absolute_percentage_error(y_true, y_pred)

其中∈是一个任意的小而严格的正数，以避免y为零时的未定义结果。

R² score（决定系数）

the coefficient of determination，R-Squared 也叫决定系数，判定系数。

from sklearn.metrics import r2_score
 r2_score(y_true, y_pred)

RMSE（均方根误差）

Root Mean Square Error

from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)** 0.5

RRMSE（相对均方根误差）

relative root mean squared error ,Relative RMSE

def RRMSE(x,y,yp): 
    x1= pow(sum(pow(y-yp),2))/len(x),0.5)
    x2= pow(sum(pow(yp-sum(yp)/len(y),2))/(len(x)-1),0.5)
    RRMSE = x1/x2  
    return RRMSE

还有感兴趣的可以去sklearn官网[1]讲回归的地方看看，说的挺详细
[1] https://scikit-learn.org/stable/modules/model_evaluation.html#regression-metrics