机器学习线性回归分类，机器学习回归模型评价指标-MAE
机器学习线性回归分类，机器学习回归模型评价指标-MAEMAPE 的值越小，说明预测模型拥有更好的精确度。import numpy as np def mse_value(y_true y_pred): """ 参数: y_true -- 测试集目标真实值 y_pred -- 测试集目标预测值 返回: mse -- MSE 评价指标 """ n = len(y_true) mse = sum(np.square(y_true - y_pred))/n return mse 均方误差（MSE）它表示误差的平方的期望值，它的计算公式如下：MSE 的值越小，说明预测模型拥有更好的精确度。import numpy as np def mse_value(y_true y_pred):
概述前三章主要介绍了机器学习分类模型评估-准确率(accuracy)、精确率(Precision)、查准类、召回率(Recall)、查全率、ROC曲线、F值(F-Measure)、AUC、P-R曲线，本节介绍机器学习回归模型评价指标-MAE MSE MAPE及代码实现。对于回归预测结果，通常会有平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方误差(MSE)等多个指标进行评价。这里，我们先介绍最常用的3个。
以下所有公式，
就是绝对误差的平均值，它的计算公式如下：
MAE 的值越小，说明预测模型拥有更好的精确度。
代码实现import numpy as np
def mse_value(y_true y_pred):
"""
参数:
y_true -- 测试集目标真实值
y_pred -- 测试集目标预测值
返回:
mse -- MSE 评价指标
"""
n = len(y_true)
mse = sum(np.square(y_true - y_pred))/n
return mse
均方误差（MSE）
它表示误差的平方的期望值，它的计算公式如下：
MSE 的值越小，说明预测模型拥有更好的精确度。
代码实现import numpy as np
def mse_value(y_true y_pred):
"""
参数:
y_true -- 测试集目标真实值
y_pred -- 测试集目标预测值
返回:
mse -- MSE 评价指标
"""
n = len(y_true)
mse = sum(np.square(y_true - y_pred))/n
return mse
平均绝对百分比误差 MAPE
它是一个百分比值，表示预测结果较真实结果平均偏离。
MAPE 的值越小，说明预测模型拥有更好的精确度。
代码实现import numpy as np
def mape(y_true y_pred):
"""
参数:
y_true -- 测试集目标真实值
y_pred -- 测试集目标预测值
返回:
mape -- MAPE 评价指标
"""
n = len(y_true)
mape = sum(np.abs((y_true - y_pred)/y_true))/n*100
return mape
