机器学习进阶文档深度页
回归指标：MAE、RMSE 与 R²
MAE 易解释且相对稳健，RMSE 更惩罚大误差，R² 衡量相对均值基线的改善。
学习前需要掌握
MSE内容待补充
背景与问题
R² 可小于 0，表示比始终预测训练均值更差；RMSE 与目标单位一致但受极端值影响。
概念定义
三种指标回答不同问题，不能脱离目标单位、分布与基线比较。
直观理解
MAE 看平均错多少，RMSE 对大错更严厉，R² 看比“猜平均”进步多少。
核心原理
使用交叉验证报告分布，并按业务容忍度选择主指标；sklearn 误差 scoring 常返回负值。
数学表达
核心表达
使用交叉验证报告分布，并按业务容忍度选择主指标；sklearn 误差 scoring 常返回负值。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1建立 DummyRegressor
- 2选择主误差
- 3交叉验证
- 4检查残差与极端值
代码对应位置
示例 1回归指标：MAE、RMSE 与 R² 示例：对应文档中的可靠评价或训练流程。
计算与实现步骤
- 1
建立 DummyRegressor
- 2
选择主误差
- 3
交叉验证
- 4
检查残差与极端值
- 5
最终测试
- 6
按原单位解释
代码实现
示例 1
回归指标：MAE、RMSE 与 R² 示例
回归指标：MAE、RMSE 与 R² 示例
scikit-learn
example_01.py用途：对应文档中的可靠评价或训练流程。
from sklearn.metrics import mean_absolute_error,root_mean_squared_error,r2_score
print(mean_absolute_error(y_test,y_pred))
print(root_mean_squared_error(y_test,y_pred))
print(r2_score(y_test,y_pred))代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
对应文档中的可靠评价或训练流程。
y_test- 与 X_test 对齐的测试目标。
y_pred- 模型对输入产生的预测结果。
Step 1 · 1–4 行
导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。
from sklearn.metrics import mean_absolute_error,root_mean_squared_error,r2_score
print(mean_absolute_error(y_test,y_pred))
print(root_mean_squared_error(y_test,y_pred))
print(r2_score(y_test,y_pred))代码与数学原理
减去训练均值并除以训练标准差，对应代码中的 mean/std 或 StandardScaler。
预期输出或运行结果
输出 MAE、RMSE 和 R²。
常见错误 · 4 条
- 不要在测试集上调用 fit 或 fit_transform；测试集只能复用训练参数。
- R² 当准确率
- 跨单位比较 RMSE
- 忽略误差分布
实际应用
- 价格和需求预测
常见错误
R² 当准确率
跨单位比较 RMSE
忽略误差分布
文档来源
07｜模型评估与调参原始文档
学习资料/learning_tech/07_evaluation_tuning.md- §6 回归指标
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。