python线性回归评价指标输出

在使用线性回归模型进行预测时，可以使用以下几个评价指标来评估模型的性能：

1. 均方误差（MSE）：MSE 表示预测值与真实值之间差的平方的平均值。MSE 越小，表示模型预测的结果越接近真实值。

2. 均方根误差（RMSE）：RMSE 是 MSE 的平方根。与 MSE 类似，RMSE 越小，表示模型预测的结果越接近真实值。

3. 平均绝对误差（MAE）：MAE 表示预测值与真实值之间差的绝对值的平均值。MAE 越小，表示模型预测的结果越接近真实值。

4. 决定系数（R²）：决定系数是用来衡量模型对数据的拟合程度，取值范围在 0 到 1 之间。当 R² 越接近 1 时，表示模型对数据的拟合越好。

在 Python 中，可以使用 scikit-learn 库来计算这些评价指标。下面是一个示例代码：

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# y_true 表示真实值，y_pred 表示预测值
mse = mean_squared_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred, squared=False)
mae = mean_absolute_error(y_true, y_pred)
r2 = r2_score(y_true, y_pred)

print("MSE:", mse)
print("RMSE:", rmse)
print("MAE:", mae)
print("R²:", r2)