python种mse10次计算取平均值的实例

首先，MSE（Mean Squared Error）是评估模型预测结果准确程度的常用指标之一。在Python中，我们可以使用numpy库来简化计算过程。

下面是一个示例代码，用于计算MSE的平均值：

import numpy as np

# 创建模拟数据
y_true = np.array([1, 2, 3, 4, 5])  # 真实值
y_pred = np.array([1.2, 1.8, 3.2, 3.9, 4.7])  # 预测值

# 初始化一个空列表用于存储每次计算的MSE值
mse_values = []

# 进行10次计算
for i in range(10):
    # 添加随机噪声到预测值中（模拟不同的预测结果）
    noisy_pred = y_pred + np.random.normal(0, 0.1, size=y_pred.shape)
    
    # 计算MSE值
    mse = np.mean((y_true - noisy_pred) ** 2)
    
    # 将每次计算的MSE值添加到列表中
    mse_values.append(mse)

# 计算MSE的平均值
avg_mse = np.mean(mse_values)

# 输出结果
print("每次计算的MSE值：", mse_values)
print("平均MSE值：", avg_mse)

以上代码通过循环运行10次，每次添加随机噪声到预测值中以模拟不同的预测结果。然后计算每次预测结果的MSE值，并将其存储在列表中。最后，通过numpy库计算这些MSE值的平均值，并输出结果。

这个实例可以帮助我们了解MSE的计算过程以及如何通过多次计算的平均值来评估模型的预测准确度。