LinearRegression评估指标

在机器学习中，线性回归模型通常使用均方误差（Mean Squared Error, MSE）和决定系数（Coefficient of Determination, R²）作为评估指标。均方误差是预测值与真实值之间的平均平方差，它的值越小说明模型的预测能力越好。决定系数是预测值和真实值之间的相关系数的平方，它的值越接近于1说明模型的拟合程度越好。在sklearn中，我们可以使用模型自带的score方法来计算线性回归模型的R²值[^1]。

以下是一个计算线性回归模型评估指标的例子：

from sklearn.datasets import make_regression
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# 生成随机数据集
X, y = make_regression(n_features=4, noise=10, random_state=42)

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练线性回归模型
reg = LinearRegression().fit(X_train, y_train)

# 预测测试集的结果
y_pred = reg.predict(X_test)

# 计算均方误差和决定系数
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print("Mean Squared Error: ", mse)
print("Coefficient of Determination: ", r2)

输出结果为：

Mean Squared Error:  80.63946831715495
Coefficient of Determination:  0.9025082706126466