scikit-learn 库中用于计算MSE，RMSE，MSPE的函数

scikit-learn库中提供了用于计算回归模型评估指标的函数，包括MSE，RMSE和MSPE。这些函数分别是：

- `mean_squared_error`：计算均方误差MSE
- `mean_squared_log_error`：计算平均对数误差MSLE
- `mean_absolute_error`：计算平均绝对误差MAE
- `explained_variance_score`：计算可解释方差
- `r2_score`：计算R²决定系数
- `max_error`：计算最大误差

其中，`mean_squared_error` 和 `mean_squared_log_error` 可以用于计算MSE，`mean_absolute_error` 可以用于计算RMSE，`explained_variance_score` 可以用于计算MSPE。

使用这些函数的方法很简单，以 `mean_squared_error` 为例：

from sklearn.metrics import mean_squared_error

mse = mean_squared_error(y_true, y_pred)

其中，`y_true` 和 `y_pred` 分别是真实值和预测值。返回的是均方误差（MSE）。

如果要计算RMSE，可以使用 `mean_squared_error` 和 `sqrt` 函数：

from sklearn.metrics import mean_squared_error
from math import sqrt

mse = mean_squared_error(y_true, y_pred)
rmse = sqrt(mse)

如果要计算MSPE，可以使用 `explained_variance_score` 函数：

from sklearn.metrics import explained_variance_score

mspe = 100 * (1 - explained_variance_score(y_true, y_pred))

其中，`mspe` 就是均方百分比误差。