python中MSE、RMSE、MAE、MAPE、Sim的表达方法

在Python中，可以使用以下库函数来计算MSE、RMSE、MAE、MAPE和相似度（Sim）：

1. 均方误差（MSE）：可以使用numpy库中的mean()和square()函数来计算。

import numpy as np

y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.5, 2.5, 3.5, 4.5, 5.5])

mse = np.square(y_true - y_pred).mean()
print("MSE:", mse)

2. 均方根误差（RMSE）：可以使用numpy库中的sqrt()函数来计算。

import numpy as np

y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.5, 2.5, 3.5, 4.5, 5.5])

mse = np.square(y_true - y_pred).mean()
rmse = np.sqrt(mse)
print("RMSE:", rmse)

3. 平均绝对误差（MAE）：可以使用numpy库中的absolute()和mean()函数来计算。

import numpy as np

y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.5, 2.5, 3.5, 4.5, 5.5])

mae = np.absolute(y_true - y_pred).mean()
print("MAE:", mae)

4. 平均绝对百分比误差（MAPE）：可以使用numpy库中的absolute()和mean()函数来计算。

import numpy as np

y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.5, 2.5, 3.5, 4.5, 5.5])

mape = np.absolute((y_true - y_pred) / y_true).mean() * 100
print("MAPE:", mape)

5. 相似度（Sim）：可以使用scipy库中的cosine_similarity()函数来计算。

from scipy import spatial

vector1 = [1, 2, 3, 4, 5]
vector2 = [1.5, 2.5, 3.5, 4.5, 5.5]

sim = 1 - spatial.distance.cosine(vector1, vector2)
print("Sim:", sim)