博客

详解 Scikit-learn 的 metrics.mean_squared_error函数：均方误差

  • Post category:Python

下面是Scikit-learn的sklearn.metrics.mean_squared_error函数的作用与使用方法的完整攻略。

  1. 函数作用

sklearn.metrics.mean_squared_error()函数是用来计算均方误差(MSE)的函数。MSE是衡量预测结果和真实结果误差的一种方法，是用来衡量回归模型预测结果的好坏程度的指标。均方误差越小，说明预测结果与真实结果之间的差异越小，说明模型越准确。

  1. 使用方法

sklearn.metrics.mean_squared_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average', squared=True)函数的参数说明：

  • y_true: 真实值。
  • y_pred: 预测值。
  • sample_weight: 样本权重，默认为None。
  • multioutput: string类型，定义了多维输出的情况如何进行均方误差计算，为‘raw_values’，则返回每个维度的均方误差；为‘uniform_average’，则统计所有维度均方误差的均值。默认为‘uniform_average’。
  • squared: bool类型，定义是否返回平方误差。True表示返回MSE，False表示返回Root-MSE。默认为True。

下面提供两个实例说明：

实例1：

from sklearn.metrics import mean_squared_error

y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

MSE = mean_squared_error(y_true, y_pred)

print("MSE:", MSE)

输出：

MSE: 0.375

实例2：

from sklearn.metrics import mean_squared_error

y_true = [[0.5, 1], [-1, 1], [7, -6]]
y_pred = [[0, 2], [-1, 2], [8, -5]]

MSE = mean_squared_error(y_true, y_pred)

print("MSE:", MSE)

输出：

MSE: 0.7083333333333334

总结：

本文详细讲解了Scikit-learn的sklearn.metrics.mean_squared_error函数的作用与使用方法，通过两个实例说明了如何使用该函数来计算均方误差。

Tags: