sloution

建模的评估一般可以分为回归、分类和聚类的评估，本文主要介绍回归和分类的模型评估：

1. 回归模型的评估

主要有以下方法：

指标	                      描述	       metrics方法
Mean Absolute Error(MAE)	  平均绝对误差	 from sklearn.metrics import mean_absolute_error
Mean Square Error(MSE)	    平均方差	     from sklearn.metrics import mean_squared_error
R-Squared	                  R平方值	     from sklearn.metrics import r2_score

#sklearn的调用

from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score

mean_absolute_error(y_test,y_predict)
mean_squared_error(y_test,y_predict)
r2_score(y_test,y_predict)

1.1 平均绝对误差（Mean Absolute Error，MAE）

平均绝对误差就是指预测值与真实值之间平均相差多大 ：

平均绝对误差能更好地反映预测值误差的实际情况.

1.2 均方误差（Mean Squared Error，MSE）

观测值与真值偏差的平方和与观测次数的比值：

这也是线性回归中最常用的损失函数，线性回归过程中尽量让该损失函数最小。那么模型之间的对比也可以用它来比较。

MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精度。

1.3 R-square(决定系数)

数学理解： 分母理解为原始数据的离散程度，分子为预测数据和原始数据的误差，二者相除可以消除原始数据离散程度的影响

其实“决定系数”是通过数据的变化来表征一个拟合的好坏。 理论上取值范围（-∞，1], 正常取值范围为[0 1] ------实际操作中通常会选择拟合较好的曲线计算R²，因此很少出现-∞