👉 Средняя абсолютная ошибка
Функцияmean_absolute_error вычисляет среднюю абсолютную ошибку — метрику риска, соответствующую ожидаемому значению потерь по абсолютной ошибке. Если ŷi — это прогнозируемое значение i-го образца, а yi — соответствующее истинное значение, то оцененная средняя абсолютная ошибка (MAE) более n образцов определяется следующим образом:
или sklearn.metrics.mean_absolute_error(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)
Реализация так же проста, как
>>> from sklearn.metrics import mean_absolute_error >>> y_true = [3, -0.5, 2, 7] >>> y_pred = [2.5, 0.0, 2, 8] >>> mean_absolute_error(y_true, y_pred) 0.5
👉 Среднеквадратическая ошибка
Среднеквадратическая ошибка определяется по следующей формуле:
Предыдущая формула аналогична формуле, которую мы видели для средней абсолютной ошибки, за исключением того, что вместо вычисления абсолютной разницы между истинными и прогнозируемыми выходными значениями мы вычисляем квадрат разницы.
То есть sklearn.metrics.mean_squared_error(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’, Squared=True)
Мы используем функциюmean_squared_error() из модуля метрик. Чтобы реализовать MSE в scikit-learn, мы используем следующий код:
>>> from sklearn.metrics import mean_squared_error >>> y_true = [3, -0.5, 2, 7] >>> y_pred = [2.5, 0.0, 2, 8] >>> mean_squared_error(y_true, y_pred) 0.375
👉 Объясненная оценка дисперсии
В машинном обучении дисперсия — это разница между фактическими выборками набора данных и прогнозами, сделанными моделью. При работе над задачей машинного обучения на основе регрессии очень полезно знать, какая часть дисперсии объясняется моделью машинного обучения.
То есть sklearn.metrics.explained_variance_score(y_true, y_pred, *, sample_weight=None, multioutput=’uniform_average’,force_finite=True)
Объясненная оценка дисперсии объясняет дисперсию ошибок данного набора данных, и формула записывается следующим образом:
Здесь Var(y, ŷ) и Var(y) — это дисперсия ошибок прогнозирования и фактических значений соответственно. Очень желательны оценки, близкие к 1,0, что указывает на лучшие квадраты стандартных отклонений ошибок.
Получите объясненную оценку дисперсии наших прогнозов, используя функцию объяснения_дисперсии_score модуля sklearn.metrics со следующим кодом:
>>> from sklearn.metrics import explained_variance_score >>> y_true = [3, -0.5, 2, 7] >>> y_pred = [2.5, 0.0, 2, 8] >>> explained_variance_score(y_true, y_pred) 0.957...
Дайте мне знать в комментариях, что еще следует добавить ;)
Приятного обучения!