sklearn RSME 数值是百分比吗

在 sklearn 中，均方根误差（RMSE）是指预测值与真实值之间误差的标准差，因此 RMSE 的数值通常是与预测值的单位相同。例如，如果预测值是房价，单位是美元，那么 RMSE 的单位也是美元。

因此，RMSE 的数值不是百分比，而是与预测值的单位相同。如果要将 RMSE 数值转化为百分比，需要将其除以真实值的平均值，并乘以 100。这样可以得到相对误差的百分比，通常用于比较不同模型的预测效果。

以下是一个示例代码：

from sklearn.metrics import mean_squared_error
import numpy as np

y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.1, 2.2, 2.8, 3.9, 5.1])

rmse = np.sqrt(mean_squared_error(y_true, y_pred))
relative_error = rmse / np.mean(y_true) * 100

print("RMSE:", rmse)
print("Relative error:", relative_error, "%")

输出结果为：

RMSE: 0.36055512754639896
Relative error: 7.21110255192798 %

注意，这里的相对误差结果是四舍五入后的结果，实际上是 `7.211102551927979`。

相关问题

sklearn 加权平均绝对百分比误差如何实现

在scikit-learn库中，WeightedMeanAbsolutePercentageError (WMAPE)是一种用于评估预测值和真实值之间差距的指标，尤其适合于金融、经济等领域的回归问题，它考虑了每个观测值的重要性。WMAPE通过加权平均的方式计算绝对百分比误差，并对每个样本赋予相应的权重。

实现步骤如下：

1. 首先，导入所需的模块：

from sklearn.metrics import make_scorer, mean_absolute_percentage_error

2. 定义权重（如果有的话），可以是一个列表，其长度与预测值和实际值的数组长度相等：

weights = [weight_value_1, weight_value_2, ...]

3. 创建一个自定义评分函数，将WMAPE与给定权重结合：

def weighted_mape(y_true, y_pred, sample_weight=None):
    if sample_weight is None:
        return mean_absolute_percentage_error(y_true, y_pred)
    else:
        return mean_absolute_percentage_error(y_true, y_pred, sample_weight=sample_weight)

wmape_scorer = make_scorer(weighted_mape, greater_is_better=False)

`greater_is_better=False`表示我们通常希望这个分数越低越好。

4. 使用这个评分函数评估模型性能：

model.fit(X_train, y_train)
y_pred = model.predict(X_test)
score = wmape_scorer(y_test, y_pred, sample_weight=weights)

sklearn.metrics 的平均绝对值百分比误差怎么用

在 sklearn.metrics 中，平均绝对值百分比误差（Mean Absolute Percentage Error, MAPE）并没有直接提供，但你可以自己实现它。

以下是一个自定义的函数来计算 MAPE 的示例：

import numpy as np

def mean_absolute_percentage_error(y_true, y_pred):
    y_true = np.array(y_true)
    y_pred = np.array(y_pred)
    return np.mean(np.abs((y_true - y_pred) / y_true)) * 100

使用该函数时，你需要传入两个参数：y_true 表示真实的目标值，y_pred 表示预测的目标值。函数会返回 MAPE 的百分比值。

示例用法：

from sklearn.metrics import mean_absolute_error
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

# 创建一个回归数据集
X, y = make_regression(n_samples=100, n_features=1, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型并进行预测
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

# 计算 MAPE
mape = mean_absolute_percentage_error(y_test, y_pred)
print("MAPE:", mape)

请注意，MAPE 在实际使用中可能会出现除以零的情况，因此在计算前应该先检查分母是否为零，并进行相应的处理。