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

标签：现在   legend   指定   dom   机器学习   ack   模型   mst   sklearn   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‘)                                  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标签：现在   legend   指定   dom   机器学习   ack   模型   mst   sklearn   原文地址：https://www.cnblogs.com/qiu-hua/p/14964898.html