首页 > Python资料 博客日记
[Python] scikit-learn之mean_absolute_error函数(Mean Absolute Error(MAE))介绍和使用案例
2024-05-29 21:00:04Python资料围观198次
什么是平均绝对误差MAE?
Mean Absolute Error(MAE)是一种用于衡量回归模型预测结果与实际值之间误差的指标。它表示所有样本中,预测值与实际值之差的绝对值的平均值。具体计算公式为:
MAE = (1/n) * Σ|y_true - y_pred|
其中,n为样本数量,y_true为实际值,y_pred为预测值。
MAE的优点是它对异常值不敏感,即不会因为某个样本的异常值而影响整体误差的计算。但是,如果数据集中存在大量异常值,MAE可能会高估模型的性能。此外,MAE也不能反映出预测值与实际值之间的相对大小关系。
举个例子,假设我们有以下10个样本的真实值和预测值:
真实值 | 预测值 |
---|---|
1 | 3 |
2 | 4 |
3 | 2 |
4 | 5 |
5 | 6 |
6 | 1 |
7 | 8 |
8 | 7 |
9 | 9 |
10 | 10 |
则对应的MAE为:
MAE = (1/10) * (|3-1| + |4-2| + |2-3| + |5-4| + |6-5| + |1-6| + |8-7| + |7-8| + |9-9| + |10-10|) = 2.8
可以看到,虽然第6个样本的预测值与实际值相差较大,但由于其他样本的误差较小,整体误差仍然比较小。
sckkit-learn的mean_absolute_error函数介绍
3.3. Metrics and scoring: quantifying the quality of predictions — scikit-learn 1.3.2 documentation
sklearn.metrics.mean_absolute_error — scikit-learn 1.3.2 documentation
mean_absolute_error函数使用案例
案例1
from sklearn.metrics import mean_absolute_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
print(mean_absolute_error(y_true, y_pred))
y_true = [[0.5, 1], [-1, 1], [7, -6]]
y_pred = [[0, 2], [-1, 2], [8, -5]]
# ((0.5 - 0) + (-1 - -1) + (8 -7))/3 = 0.5, ((2 - 1) + (2 - 1) + (-5 - (-6)) / 3 = 1
print(mean_absolute_error(y_true, y_pred, multioutput='raw_values'))
# (0.5 + 1) / 2
print(mean_absolute_error(y_true, y_pred))
# (0.5 * 0.3 + 1 * 0.7) = 0.85
print(mean_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7]))
输出:
0.5 [0.5 1. ] 0.75 0.85
案例2
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error
import numpy as np
# 生成样本数据
X = np.random.rand(100, 1) * 10 - 5
y = 3 * X[:,0] + 2 + np.random.randn(100, 1) * 20
# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建线性回归模型并拟合训练数据
model = LinearRegression()
model.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = model.predict(X_test)
# 计算MAE并输出结果
mae = mean_absolute_error(y_test, y_pred)
print("Mean Absolute Error:", mae)
在这个例子中,我们首先生成了一个包含100个样本的数据集。然后将数据集划分为训练集和测试集,其中80%的数据用于训练模型,20%的数据用于测试模型。接着创建了一个线性回归模型并用训练数据对其进行拟合。最后,在测试集上进行预测,并计算了预测结果与实际结果之间的平均绝对误差。
标签:
相关文章
最新发布
- 光流法结合深度学习神经网络的原理及应用(完整代码都有Python opencv)
- Python 图像处理进阶:特征提取与图像分类
- 大数据可视化分析-基于python的电影数据分析及可视化系统_9532dr50
- 【Python】入门(运算、输出、数据类型)
- 【Python】第一弹---解锁编程新世界:深入理解计算机基础与Python入门指南
- 华为OD机试E卷 --第k个排列 --24年OD统一考试(Java & JS & Python & C & C++)
- Python已安装包在import时报错未找到的解决方法
- 【Python】自动化神器PyAutoGUI —告别手动操作,一键模拟鼠标键盘,玩转微信及各种软件自动化
- Pycharm连接SQL Sever(详细教程)
- Python编程练习题及解析(49题)
点击排行
- 版本匹配指南:Numpy版本和Python版本的对应关系
- 版本匹配指南:PyTorch版本、torchvision 版本和Python版本的对应关系
- Python 可视化 web 神器:streamlit、Gradio、dash、nicegui;低代码 Python Web 框架:PyWebIO
- Anaconda版本和Python版本对应关系(持续更新...)
- 相关性分析——Pearson相关系数+热力图(附data和Python完整代码)
- Python与PyTorch的版本对应
- Windows上安装 Python 环境并配置环境变量 (超详细教程)
- Python pyinstaller打包exe最完整教程