将以下语句定义成函数使其能重复调用 r2 = r2_score(y_test_scaled, y_pred) mse = mean_squared_error(y_test_scaled, y_pred) rmse = np.sqrt(mse)

当然，你可以把这些计算指标封装到一个函数中，以便于多次调用。这里是一个简单的例子：

import sklearn.metrics as metrics

def calculate_metrics(y_test_scaled, y_pred):
    r2 = metrics.r2_score(y_test_scaled, y_pred)
    mse = metrics.mean_squared_error(y_test_scaled, y_pred)
    rmse = np.sqrt(mse)
    
    return r2, mse, rmse

# 使用时只需传入实际的测试数据和预测结果
y_test_scaled = ... # 填写测试数据标准化后的值
y_pred = ... # 填写模型的预测结果

r2, mse, rmse = calculate_metrics(y_test_scaled, y_pred)

这个`calculate_metrics`函数接受两个参数：`y_test_scaled` 和 `y_pred`，并返回三个指标的值。每次你需要计算这些指标时，只需要调用这个函数即可。

相关问题

forest_reg = RandomForestRegressor(max_depth=(15),min_samples_leaf=2,min_samples_split=3#,n_estimators=100) param_grid = {'n_estimators': [ 20]} grid_search = GridSearchCV(forest_reg, param_grid, cv=5, scoring='r2') grid_search.fit(X_train_scaled, y_train) best_forest_reg = grid_search.best_estimator_ y_forest_pred_train = best_forest_reg.predict(X_train_scaled) y_forest_pred_test = best_forest_reg.predict(X_test_scaled) print("随机森林模型 R2 (训练集):", r2_score(y_train, y_forest_pred_train)) print("随机森林模型 R2 (测试集):", r2_score(y_test, y_forest_pred_test))。

这是一个使用随机森林回归模型对数据进行训练和测试的代码。其中，使用了网格搜索(GridSearchCV)来寻找最佳的超参数(n_estimators)，同时使用了交叉验证(cv=5)来评估模型的性能。最终输出了模型在训练集和测试集上的R2分数。R2分数是评估回归模型性能的一种常用指标，表示模型解释数据方差的能力，取值范围为0到1，值越接近1表示模型性能越好。

forest_reg = RandomForestRegressor(max_depth=(15),min_samples_leaf=2,min_samples_split=3#,n_estimators=100) param_grid = {'n_estimators': [ 20]} grid_search = GridSearchCV(forest_reg, param_grid, cv=5, scoring='r2') grid_search.fit(X_train_scaled, y_train) best_forest_reg = grid_search.best_estimator_ y_forest_pred_train = best_forest_reg.predict(X_train_scaled) y_forest_pred_test = best_forest_reg.predict(X_test_scaled) print("随机森林模型 R2 (训练集):", r2_score(y_train, y_forest_pred_train)) print("随机森林模型 R2 (测试集):", r2_score(y_test, y_forest_pred_test))。这段代码意思

这段代码是使用随机森林回归模型对经过特征缩放后的训练数据(X_train_scaled)进行训练，并在测试集(X_test_scaled)上进行测试。其中使用了网格搜索(GridSearchCV)来寻找最佳的超参数(n_estimators)，即随机森林中的决策树数量，同时使用了交叉验证(cv=5)来评估模型的性能。最终输出了模型在训练集和测试集上的R2分数。R2分数是评估回归模型性能的一种常用指标，表示模型解释数据方差的能力，取值范围为0到1，值越接近1表示模型性能越好。