前言：

分类问题的评价指标是准确率，而回归问题的评价指标就是MAE, MAPE, MSE, RMSE, R2_Score，SMAPE这几种误差。

当然回归问题就是预测。现在假设：

在此基础上，先看看这几种误差具体的公式，想看scikit-learn实现，直接最后。

目录

1、MSE 均方误差（Mean Square Error）2、RMSE 均方根误差（Root Mean Square Error)3、MAE 平均绝对误差（Mean Absolute Error)4、MAPE 平均绝对百分比误差（Mean Absolute Percentage Error)5、R_Squared6、SMAPE 对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error)7、scikit-learn中实现：

1、MSE 均方误差（Mean Square Error）

2、RMSE 均方根误差（Root Mean Square Error)

就是上面的MSE加了个根号，这样数量级上比较直观，比如RMSE=2，可以认为回归效果相比真实值平均相差2

3、MAE 平均绝对误差（Mean Absolute Error)

4、MAPE 平均绝对百分比误差（Mean Absolute Percentage Error)

5、R_Squared

看看分类算法的衡量标准就是正确率，而正确率又在0～1之间，最高百分之百，最低0。很直观，而且不同模型一样的。那么线性回归有没有这样的衡量标准呢？答案是有的。那就是R_Squared,也就R方。

6、SMAPE 对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error)

7、scikit-learn中实现：

这些评价指标基本都在 sklearn 包中都封装好了，可直接调用。安装 sklearn, 完整的名字是 scikit-learn。

pip install -U scikit-learn

# MSE, MAE, R2, RMSEimport numpy as npfrom sklearn.metrics import mean_squared_error #MSEfrom sklearn.metrics import mean_absolute_error #MAEfrom sklearn.metrics import r2_score#R 2#调用mean_squared_error(y_test,y_predict)mean_absolute_error(y_test,y_predict)np.sqrt(mean_squared_error(y_test,y_predict)) # RMSE就是对MSE开方即可r2_score(y_test,y_predict)

我试了一下，MAPE 在V0.23.1中还不能直接调用，下面是自己写的。

# MAPE和SMAPEdef mape(y_true, y_pred):return np.mean(np.abs((y_pred - y_true) / y_true)) * 100def smape(y_true, y_pred):return 2.0 * np.mean(np.abs(y_pred - y_true) / (np.abs(y_pred) + np.abs(y_true))) * 100# 调用mape(y_true, y_pred)smape(y_true, y_pred)

参考文献：

1: /qq_41870157/article/details/104699118.

2: /p/382eba2629fe.

3: /p/9ee85fdad150.