回归评价指标
目录
- MSE(Mean Squared Error) 均方误差
- RMSE(Root Mean Squared Error)均方根误差
- MAE(Mean Absolute Error)平均绝对误差
- R Squared
MSE(均方误差)
这个不就是线性回归的损失函数,模型训练出来后,直接把损失函数丢到测试集上去看损失值就行。
RMSE(均方根误差)
相对于做均方误差能够更好的描述数据
MAE(平均绝对误差)
R Squared
由上面的公式可以,R squared的取值范围为0-1,越靠近1说明模型的效果越好。下面是scikit-learn中的各种衡量指标的代码的实现
from sklearn.metrics import mean_squared_error #均方误差
from sklearn.metrics import mean_absolute_error #平方绝对误差
from sklearn.metrics import r2_score#R square
#调用
mean_squared_error(y_test,y_predict)
mean_absolute_error(y_test,y_predict)
r2_score(y_test,y_predict)
分类评价指标
目录
- 准确率
- 召回率
准确率
准确度 = 找到的用户感兴趣的/ 所以的推荐的
设R(u)为根据训练建立的模型在测试集上的推荐,
T(u)为测试集上用户的选择。
召回率
召回 = 找到的用户感兴趣的 / 所有的用户感兴趣的