1、平均绝对误差(Mean Absolute Error, MAE):是绝对误差的平均值,可以更好地反映预测值误差的实际情况
def MAE(Y_real,Y_pre):#计算MAEfrom sklearn.metrics import mean_absolute_errorreturn mean_absolute_error(Y_real,Y_pre)#Y_real为实际值,Y_pre为预测值
2、均方误差(Mean Square Error, MSE):是真实值与预测值的差值的平方,然后求和的平均,一般用来检测模型的预测值和真实值之间的偏差
def MSE(Y_real,Y_pre):#计算MSEfrom sklearn.metrics import mean_squared_errorreturn mean_squared_error(Y_real,Y_pre)#Y_real为实际值,Y_pre为预测值
3、均方根误差(Root Mean Square Error, RMSE):即均方误差开根号,方均根偏移代表预测的值和观察到的值之差的样本标准差
def RMSE(Y_real,Y_pre):#计算RMSEfrom sklearn.metrics import mean_squared_errorreturn np.sqrt(mean_squared_error(Y_real,Y_pre))#Y_real为实际值,Y_pre为预测值
4、R²(Rsquared,Coefficientofdetermination):决定系数,反映的是模型拟合数据的准确程度,一般R²的范围是0到1。其值越接近1,表明方程的变量对y的解释能力越强,这个模型对数据拟合的也较好
def R2(Y_real,Y_pre):#计算R²from sklearn.metrics import r2_scorereturn r2_score(Y_real,Y_pre)#Y_real为实际值,Y_pre为预测值
5、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE):理论上,MAPE 的值越小,说明预测模型拟合效果越好,具有更好的精确度
def MAPE(Y_real,Y_pre):#计算mapefrom sklearn.metrics import mean_absolute_percentage_errorreturn mean_absolute_percentage_error(Y_real,Y_pre)#Y_real为实际值,Y_pre为预测值