python中调用MSE、RMSE、MAE、MAPE、Sim

这些指标可以通过scikit-learn库中的相关函数来计算，具体如下：

1. MSE（均方误差）

from sklearn.metrics import mean_squared_error

mse = mean_squared_error(y_true, y_pred)

其中，`y_true`是真实值，`y_pred`是预测值。

2. RMSE（均方根误差）

from sklearn.metrics import mean_squared_error

rmse = mean_squared_error(y_true, y_pred, squared=False)

需要注意的是，`mean_squared_error`函数默认返回MSE，如果要计算RMSE，则需要将`squared`参数设置为`False`。

3. MAE（平均绝对误差）

from sklearn.metrics import mean_absolute_error

mae = mean_absolute_error(y_true, y_pred)

4. MAPE（平均绝对百分比误差）

import numpy as np

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

mape = mape(y_true, y_pred)

需要注意的是，由于MAPE存在除数为0的情况，因此在计算之前需要对0值进行处理。

5. Sim（相似度）

相似度没有一个固定的计算方法，它的计算方式与具体的应用场景有关。常见的相似度计算方法包括余弦相似度、欧氏距离、曼哈顿距离等。可以根据具体的需求选择合适的计算方法，并通过NumPy等库进行计算。