Python–线性回归评价指标实现

一、项目背景

（可不看）

最近在做非线性数据的数据预测，一头雾水，一年不学习，脑袋有问题。还记得上次做的数据是关于一个政务系统的热点问题分类模块，用了机器学习和深度学习啥的，满脸蒙，反正后面就是做完了（好多吐槽）。

现在做的是关于供应链模块的需求预测，简单说目前的运作流程是：客户需求–>营业人员经验修正–>客户需求生成。

面临问题：客户的需求不能保证准确性，营业人员出于保证出货而减少风险的考虑，修正的客户需求跟未来实际需求不一致，甚至多出十几倍。

修正办法：

1.参考单因素的房价预测

训练数据：历史客户需求和实际出货

2.参考时间序列分析的股价预测

训练数据：历史实际出货

这两部分的具体操作在这就不详细说明了，以后再更新（咕咕）

二、评价指标

今天，我们学习线性回归算法的评价指标——MAE（平均绝对误差）、MSE（均方误差）、RMSE（均方根误差）、R Square、MAPE（平均绝对百分比误差）。数据公式编者这里就不再提供了，简单介绍下每个的大概意思和Python用法估计就够了：（懒癌晚期）

MAE（平均绝对误差）：绝对误差的平均值，能反映预测值误差的实际情况。取值越小，模型准确度度越高。

from sklearn.metrics import mean_absolute_errormean_absolute_error(y_test,y_pred)

MAPE（平均绝对百分比误差）：是 MAE 的变形，它是一个百分比值。取值越小，模型准确度越高。

MAPE = np.mean(np.abs((y_test - y_pred)/y_test))`

MSE（均方误差）：预测值与实际值之差平方的期望值。取值越小，模型准确度越高。

from sklearn.metrics import mean_squared_errormean_squared_error(y_test,y_pred)

RMSE（均方根误差）：又叫标准误差，是均方误差的算术平方根，该结果与实际数据的数量级一样。取值越小，模型准确度越高。

from sklearn.metrics import mean_squared_errorfrom math import sqrtsqrt(mean_squared_error(y_test,y_pred))

R Square（R方）：将预测值跟只使用均值的情况下相比。取值范围一般【0，1】，结果越靠近 1 模型准确度度越高，结果越靠近 0 直接瞎猜准确度更高，结果为 负数 直接平均值乘以2倍准确度更高。

from sklearn.metrics import r2_scorer2_score(y_test,y_pred)

建议多指标同时用来观测，之前出现过R方为负数，但是其他评价指标均良好的情况，简直为难我刘牛牛，求路过大佬解答本🐂🐂~