生成一段代码完成以下目的：已知回归算法结果，计算该算法 MSE，RMSE，MAE 指标。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬ 某回归算法结果如下： y_true = [1,2,3,4,5,6,7,8,3,4,5,6] # 真实值 y_pred = [1,2,3,4,5,5,7,8,3,10,5,6] # 预测值 所有指标保留小数1位。

可以使用 scikit-learn 库中的 mean_squared_error、mean_absolute_error 和 mean_squared_error 函数来计算 MSE、MAE 和 RMSE。代码如下：

from sklearn.metrics import mean_squared_error, mean_absolute_error
import math

y_true = [1,2,3,4,5,6,7,8,3,4,5,6]
y_pred = [1,2,3,4,5,5,7,8,3,10,5,6]

mse = mean_squared_error(y_true, y_pred)
mae = mean_absolute_error(y_true, y_pred)
rmse = math.sqrt(mse)

print("MSE: {:.1f}".format(mse))
print("MAE: {:.1f}".format(mae))
print("RMSE: {:.1f}".format(rmse))

输出结果为：

MSE: 1.3
MAE: 0.7
RMSE: 1.1