鲁棒性评估指标python

有很多鲁棒性评估指标可以使用python来计算，以下是一些常见的指标及其python代码实现：

1. 均方误差（MSE）

MSE是一种常见的鲁棒性指标，它可以用来评估模型预测结果和真实结果之间的误差。

from sklearn.metrics import mean_squared_error

# y_true为真实结果，y_pred为模型预测结果
mse = mean_squared_error(y_true, y_pred)

2. 均方根误差（RMSE）

RMSE是MSE的平方根，它更容易理解和解释。

from sklearn.metrics import mean_squared_error

# y_true为真实结果，y_pred为模型预测结果
mse = mean_squared_error(y_true, y_pred)
rmse = np.sqrt(mse)

3. 平均绝对误差（MAE）

MAE是模型预测结果和真实结果之间的绝对误差的平均值。

from sklearn.metrics import mean_absolute_error

# y_true为真实结果，y_pred为模型预测结果
mae = mean_absolute_error(y_true, y_pred)

4. 平均绝对百分比误差（MAPE）

MAPE是模型预测结果和真实结果之间的绝对误差相对于真实结果的百分比的平均值。

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

# y_true为真实结果，y_pred为模型预测结果
mape = mean_absolute_percentage_error(y_true, y_pred)

5. R平方（R2）

R平方可以用来评估模型的拟合程度，它的取值范围为0到1，越接近1说明模型的拟合程度越好。

from sklearn.metrics import r2_score

# y_true为真实结果，y_pred为模型预测结果
r2 = r2_score(y_true, y_pred)

6. 中位数绝对误差（MedAE）

MedAE是模型预测结果和真实结果之间的绝对误差的中位数。

from sklearn.metrics import median_absolute_error

# y_true为真实结果，y_pred为模型预测结果
medae = median_absolute_error(y_true, y_pred)