sklearn 均方误差 - Python

在机器学习中，我们需要评估我们的模型对数据的拟合程度和预测能力。其中一个评估指标是均方误差（Mean Squared Error，MSE），它是预测值和真实值之间差距的平均值的平方。

在Python中，我们可以使用Scikit-learn库中的mean_squared_error函数来计算MSE。

代码示例

from sklearn.metrics import mean_squared_error

y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

mse = mean_squared_error(y_true, y_pred)

print("MSE:", mse)

输出结果：

MSE: 0.375

在上面的代码中，我们先导入了mean_squared_error函数。然后，我们定义了真实值y_true和模型预测值y_pred。

最后，我们使用mean_squared_error函数计算均方误差，并将结果打印出来。

参数说明

mean_squared_error函数有以下参数:

• y_true: 真实值。
• y_pred: 预测值。
• squared: 布尔值，默认为True。如果为True，则返回平方误差的均值；如果为False，则返回误差的均值。

返回值

mean_squared_error函数的返回值是两个数组之间的均方误差。

总结

本文介绍了Scikit-learn库中的mean_squared_error函数，它可以帮助我们计算两个数组之间的均方误差。在机器学习中，我们常常使用均方误差作为评估模型的指标，因为它可以衡量预测值和真实值之间的误差。