学习笔记2：scikit-learn中使用r2_score评价回归模型

最新推荐文章于 2026-08-27 17:58:19 发布
原创 最新推荐文章于 2026-08-27 17:58:19 发布 · 8w 阅读 · 136 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
Machine Learning学习笔记

当前文章被收录于：

Machine Learning学习笔记
19 篇文章 2 人学习
订阅专栏 查看详情
本文介绍了sklearn中用于回归任务的五种评估指标，包括均方差、平均绝对值误差、可释方差得分、中值绝对误差及R2决定系数，并通过示例展示了R2决定系数的具体使用。

在sklearn中包含四种评价尺度，分别为mean_squared_error、mean_absolute_error、explained_variance_score 和 r2_score。

1、均方差（mean-squared-error）


2、平均绝对值误差（mean_absolute_error）


3.可释方差得分（explained_variance_score） 

explained variation measures the proportion to which a mathematical model accounts for the variation (dispersion) of a given data set


4.中值绝对误差（Median absolute error）


5.R2 决定系数（拟合优度）


模型越好：r2→1

模型越差：r2→0

用法示例

from sklearn.metrics import r2_score

y_true = [1,2,4]
y_pred = [1.3,2.5,3.7]
r2_score(y_true,y_pred)



机器学习 r2_score 作用
4AM_明朝百晓生
07-08 3087
参考文档 https://www.cnblogs.com/xiaohua92/p/5541080.html 前言： 我们训练完模型后,对于连续型随机变量，我们会用 来评判模型训练的效果。这种有个缺点，比如 某轮随机抽样的样本方差特别小，训练出来的loss也可能特别小。 但是这种基本没什么实用价值。 目录： 一r2_score 原理 二 code 实现 一 r2_sore 原理 ...
【sklearn使用】sklearn中调用R2（回归问题评价指标）的3种方式
在热爱技术的路上一直前行。
06-05 1万+
写在前面： 因为我在使用sklearn的过程中，看了很多其他人的实战代码，调用R2的方式都不同，所以给我搞得有点糊涂，不过我看了菜菜的sklearn课程以后，感觉清晰了一点，所以整理了这篇笔记。 2.2 使用回归模型的.score属性 2.3 使用cross_val_score交叉验证分数 参考：sklearn菜菜的b站视频。...
详解sklearn中的r2_score
热门推荐
大脸猫的博客
11-08 4万+
1.为什么RMSE不便于做过拟合的评判标准？ 在机器学习中，在讨论模型的性能时，我们常常会讲，一个好的模型，不仅要在训练集合上有好的表现，在新样本（或测试集）上也有上佳的表现才行。 也就是说，我们要追求模型性能，也要兼顾模型的泛化指标，尽量避免让模型陷入过拟合陷阱。 判断过拟合的一个简单方法就是，在同一种性能标准下，训练集合的误差显著小于在测试集合上的误差。 自然，我们可以利用均方根误差（Root Mean Squared Error，简称RMSE）来衡量模型的好坏，但用它来衡量模型对数据的拟合程度
在Scikit-Learn中创建自定义评分器函数
python收藏家的博客
05-03 1209
步骤1：创建一个自定义函数来评估准确性创建一个接受两个参数的Python函数：模型的预测值和基础事实（实际值）。函数应返回一个用于评估预期值准确性的分数。决定系数（R²）是一种统计度量，代表统计模型预测结果的程度。它测量预测输出中由回归模型中的独立输入变量解释的方差比例。RSS =误差平方和，也称为残差平方和（RSS），用于测量回归模型无法解释的变异。它是预测值和实际目标值之间的平方差之和。TSS =总平方和（TSS）表示因变量的总变异。它是因变量的实际值与平均值之间的平方差之和。
sklearn中使用r2_score评价回归模型
qq_41929011的博客
03-28 1万+
在sklearn中包含四种评价尺度，分别为mean_squared_error、mean_absolute_error、explained_variance_score 和 r2_score。 做回归分析，常用的误差主要有均方误差根（RMSE）和R-平方（R2）。 （1）MSE：数理统计中均方误差是指参数估计值与参数真值之差平方的期望值，记为MSE。MSE可以评价数据的变化程度，MSE的值越小，说...
Scikit-learn库中，回归性能评估所用的score函数含义详解
m0_48520385的博客
08-03 3万+
一.LinearRegression().score方法 关于LinearRegression().score(self, X, y, sample_weight=None)方法，官方描述为： Returns the coefficient of determination R^2 of the prediction. The coefficient R^2 is defined as (1 − (u)/(v)), where u is the residual sum of squares ((y_tru
机器学习线性回归之回归模型评价指标
weixin_43484614的博客
05-09 919
阿斯顿发 ∙\bullet∙ 开方均方误差RMSE(Rooted Mean Squared Error) RMSE(y,y^)=1N∑i=1N(yi−y^i)2RMSE(y, \hat y) = \sqrt{\frac{1}{N}\sum_{i=1}^{N} (y_{i} - \hat y_{i})^2} RMSE(y,y^​)=N1​i=1∑N​(yi​−y^​i​)2​ ∙\bullet∙ 平...
机器学习回归模型评价指标详解：从MSE到Adjusted R2
SapphireFox89的博客
10-31 450
平台内置的Python环境已经预装了scikit-learn等机器学习库，无需配置即可直接调用metrics模块的函数。针对R2的改进版本，考虑了特征数量对评分的影响。当新增特征没有提升模型时，该指标会下降，更适合多特征模型比较。在机器学习的回归问题中，我们需要用客观的指标来评估模型的预测效果。相比MAE对大误差更敏感，是回归问题最常用的指标之一。衡量预测值与真实值差异的平方的平均值，对大的误差惩罚更重。对于需要演示的回归项目，平台的一键部署功能能让评估结果实时在线可访问，方便团队协作查看。
[scikit-learn 机器学习] 2. 简单线性回归
Michael是个半路程序员
06-23 1184
文章目录1. 简单线性回归2. 评价模型 1. 简单线性回归 import numpy as np import matplotlib.pyplot as plt X = np.array([[6],[8],[10],[14],[18]]) y = np.array([7,9,13,17.5,18]) plt.title("pizza diameter vs price") plt.xlabel('diameter') plt.ylabel('price') plt.plot(X,y,'r.') # r表
Scikit-learn 1.4.2 实战：4类模型在3个经典数据集上的性能基准测试
weixin_30851867的博客
07-05 292
本文通过Scikit-learn 1.4.2版本，对回归、分类、聚类和降维四大类机器学习模型在波士顿房价、鸢尾花和手写数字三个经典数据集上进行了系统性性能评测。量化对比结果显示，随机森林在回归和分类任务中表现优异，而高斯混合模型在聚类任务中领先。文章提供了详细的代码示例和可视化结果，为数据科学家选择合适算法提供了实用建议。
scikit-learn学习总结(python3入门机器学习)
weixin_43745234的博客
09-03 539
python3入门机器学习scalar scalar scikit-learn中使用scaler保存训练集得到的均值，方差等关键信息，用于对测试数据集进行transform 例子： 1，加载鸢尾花数据集 2，数据查看
metrics.roc_curve与r2_score
ronghwa_lu
10-24 613
ROC曲线 链接1：https://blog.csdn.net/sun91019718/article/details/101314545 讲解了fpr,tpr,threshold=roc_curve(y_true,y_score) 阈值是y_score内的元素去重后加入一个‘最大值+1’的值降序排序后组成的数据,每一个元素作为阈值，数据类型是一维数组。比如:y_score=np.array([0, 1, 2,0,3,1])对应的threshold=np.array([4, 3, 2,1,0]) y_tr
线性回归（Linear Regression）与 scikit-learn线性回归函数详解
qq_41768644的博客
10-30 1307
线性回归是一种通过线性方程描述自变量与因变量关系的统计方法。其核心公式为y=β₀+β₁x₁+...+βₙxₙ+ε，通过最小化均方误差(MSE)来求解参数β。模型参数包括权重系数和截距项，评价指标常用MSE、RMSE、MAE和R²。参数求解可采用最小二乘法或梯度下降法。在scikit-learn中，LinearRegression类实现了最小二乘线性回归，重要参数包括fit_intercept、copy_X等，训练后可通过coef_和intercept_获取模型参数，核心方法包括fit()、predict()
Scikit-Learn机器学习实战：从入门到项目部署
weixin_34221332的博客
07-16 377
机器学习作为人工智能的核心技术，通过算法让计算机从数据中学习规律并做出预测。Scikit-Learn作为Python生态中最流行的机器学习库，以其一致的API设计和丰富的算法实现降低了机器学习门槛。其技术价值在于将复杂的数学原理封装为易用的接口，同时保持高性能计算能力，广泛应用于推荐系统、金融风控、医疗诊断等领域。本文以客户流失预测为例，详细讲解如何使用Scikit-Learn完成数据预处理、特征工程、模型训练与评估全流程，并介绍模型部署等工程实践。通过Pipeline、超参数调优等技巧，读者可以快速构建可
Python 神经网络入门：用 scikit-learn 完成 MLP 分类与回归
最新发布
u010030103的博客
08-27 460
不必先搭建复杂的深度学习工程，也可以完整体验神经网络建模。本文以鸢尾花分类为主线，介绍多层感知机的基本原理、数据划分、特征标准化、模型训练与评价，再扩展到回归任务，重点解释数据泄漏、收敛警告和损失曲线等容易被忽略的问题。关键词：Python、scikit-learn、神经网络、MLP、分类、回归。
Python 机器学习库 scikit-learn
人无远虑，必有近忧
10-24 1220
这是一篇 scikit-learn 入门综述,先列 8 条优点(API 一致、文档丰富、算法覆盖广)和 5 条缺点(大数据性能一般、不支持序列数据、深度学习需配合 PyTorch),按监督与无监督两条主线给出可运行示例:监督部分覆盖线性回归、逻辑回归、SVM 新颖性检测、随机森林;无监督部分覆盖 K-Means、高斯混合聚类、梯度提升树、AdaBoost、MLP 神经网络分类器。每个案例附数据集、训练评估与可视化代码,末尾涉及交叉验证、超参数调优、验证曲线等模型选择工具,参考文献指向官方 1.3.2 文档。
scikit-learn随机森林调参小结
weixin_33849215的博客
12-11 2073
　　　　在Bagging与随机森林算法原理小结中，我们对随机森林(Random Forest, 以下简称RF）的原理做了总结。本文就从实践的角度对RF做一个总结。重点讲述scikit-learn中RF的调参注意事项，以及和GBDT调参的异同点。 1. scikit-learn随机森林类库概述 　　　　在scikit-learn中，RF的分类类是RandomForestClassifier，回归类是...
scikit-LLM：将GPT-4无缝集成到scikit-learn Pipeline的实战指南
anque1234的博客
06-16 392
零样本学习（Zero-Shot Learning）是一种无需标注训练数据即可完成分类任务的范式，其核心原理依赖大语言模型（LLM）对自然语言指令的理解与泛化能力。技术价值在于显著降低NLP任务的标注成本、迭代周期和工程改造门槛，尤其适用于标签动态变化、样本稀缺或验证优先的场景。典型应用包括新闻多标签归类、用户评论情感分析、业务文档结构化摘要等。本文聚焦scikit-LLM这一专为scikit-learn契约设计的轻量级适配库，详解如何将GPT-4作为可插拔组件嵌入现有ML工作流，实现Zero-Shot分类、
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值