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。
- 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。
- 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。