【笔记】衡量线性回归法的指标 MSE,RMS,MAE以及评价回归算法 R Square
衡量线性回归法的指标 MSE,RMS,MAE以及评价回归算法 R Square
衡量线性回归法的指标
对于分类问题来说，我们将原始数据分成了训练数据集和测试数据集两部分，我们使用训练数据集得到模型以后使用测试数据集进行测试然后和测试数据集自带的真实的标签进行对比，那么这样一来，我们就得到了我们的分类准确度，使用这种分类准确度来衡量机器学习模型的好坏
那么对于线性回归算法的好坏应该用什么来衡量呢
以简单线性回归算法来说，我们就是为了使损失函数尽可能的小，那么我们在使用的时候，实际上也是分成两部分的，我们的尽可能小是对于训练数据集来说的，实际上就是训练集和预测出的结果的差值的平方的和
当训练过程结束以后，我们将x_test带入，可以得到每个所相应的预测值
很显然，衡量标准可以是
不过，有个问题，在我们汇报这个标准的时候，这个衡量标准是个m相关的，在没有确定测试数据集的整体一致时，这个标准是没法说明的，因此我们需要对其进行一个1/m的，相当于使这个标准和样本数是无关的
我们一般称其为均方误差MSE
但是这里又有一个问题，就是量纲的问题，使y的单位变成了平方，有的时候会带来麻烦，这个时候我们就可以对上面的式子进行一个平方根处理
我们一般称其为均方根误差RMSE
这两个区别在于对于量纲是否敏感，如果使用同样量纲的话，RMSE的误差会更加的明显
还有一个就是平均绝对误差MAE，很直接，其直接得出每组数据的距离，然后加在一起，在对总数进行平均，就得到了相应的误差
那么在notebook中实现一下衡量回归标准的好坏
那么调用真实的数据，加载好相应的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
使用波士顿的房价，将数据存放在Boston中
boston = datasets.load_boston()
可以使用print来看看其中的内容是什么
print(boston.DESCR)
因为我么只使用简单的线性回归，所以只取一个特征
boston.feature_names
可知rm是第五个属性，那么我们可以只是用第五列的数值，即只用房间数量这个特征
x = boston.data[:,5]
使x和y对应起来
x.shape
y = boston.target
y.shape
然后进行绘制，看看大概长什么样
plt.scatter(x,y)
数据如下所示
从图中可以看出来，在50的地方分布了一些点，这些点是一个上限点，即数据中的最大值，比如大于50的全部属于50，对于这些点，显然有可能不是真实的点
确认一下最大值是否为50
np.max(y)
可知确实为50，那么我们将其范围改成小于50
x = x[y < 50.0]
y = y[y < 50.0]
然后绘制看看有什么差异
plt.scatter(x,y)
图像如下
使用简单线性回归算法
首先进行引用，并将其分成四个值，种子设置为666
from model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x,y,seed=666)
其中我们通过shape可以知道其样本数量
x_train.shape
x_test.shape
然后我们使用向量化运算的方式
from SimpleLinearRegression import SimpleLinearRegression2
确定以后进行实例化，在进行fit操作进行训练
reg = SimpleLinearRegression2()
reg.fit(x_train,y_train)
可以看看得到的a和b
reg.a_
reg.b_
简单的绘制一下结果
plt.scatter(x,y)
plt.plot(x_train,reg.predict(x_train),color='r')
图像如下
然后我们可以开始进行预测，使用predict这个函数将x_test引入，结果放入
y_predict
y_predict = reg.predict(x_test)
指标部分：
MSE
对差距进行的平方的和再除以样本总数对于test来说
mse_test = np.sum((y_predict - y_test) ** 2) / len(y_test)
mse_test
RMSE
对MSE进行一个平方根运算
from math import sqrt
rmse_test = sqrt(mse_test)
rmse_test
MAE
实际预测出来的结果和真实值的差值的绝对值并求和再取平均
mae_test = np.sum(np.absolute(y_predict - y_test)) / len(y_test)
mae_test
我们写入一个metrics.py文件，将对应的操作对应的函数写在其中，三个函数的实现过程和notebook中是一样的
代码如下
import numpy as np
from math import sqrt
def accuracy_score(y_true, y_predict):
"""计算y_true和y_predict间的准确率"""
assert y_true.shape[0] == y_predict.shape[0], \
"the size of y_true must be equal to the size of y_predict"
return sum(y_true == y_predict) / len(y_true)
def mean_squared_error(y_true, y_predict):
"""计算y_true和y_predict间的MSE"""
assert len(y_true) == len(y_predict), \
"the size of y_true must be equal to the size of y_predict"
return np.sum((y_true - y_predict) ** 2) / len(y_true)
def root_mean_squared_error(y_true, y_predict):
"""计算y_true和y_predict间的RMSE"""
return sqrt(mean_squared_error(y_true, y_predict))
def mean_absolute_error(y_true, y_predict):
"""计算y_true和y_predict间的MAE"""
assert len(y_true) == len(y_predict), \
"the size of y_true must be equal to the size of y_predict"
return np.sum(np.absolute(y_true - y_predict)) / len(y_true)
def r2_score(y_ture, y_predict):
"""计算y_true和y_predict间的R Square"""
return 1 - mean_squared_error(y_ture, y_predict) / np.var(y_ture)
我们封装好属于我们自己的标准之后，我们也可以调用自己的标准
from metrics import mean_squared_error
from metrics import root_mean_squared_error
from metrics import mean_absolute_error
MSE
mean_squared_error(y_test,y_predict)
RMSE
root_mean_squared_error(y_test,y_predict)
MAE
mean_absolute_error(y_test,y_predict)
sklearn中的MSE,MAE
在sklearn中没有RMSE的方法的
因此只能使用其他两个，包装方式相同
from sklearn.metrics import mean_squared_error
from sklearn.metrics import mean_absolute_error
对其使用
MSE
mean_squared_error(y_test,y_predict)
MAE
mean_absolute_error(y_test,y_predict)
RSME和MAE的比较
他们的量纲是一样的，都对应着原始数据，但是大部分情况下，RMSE比MAE大，从公式可以发现，RMSE是有一个放大差距的一个趋势，因此，从某种程度上，是MSE小更好一些
从我个人来看，若是数据基本相同，从公式可以发现RMSE是除以的根号下的m，而MAE是除以m，这个地方就已经导致差距不小了，不知道这种理解对还是不对
评价回归算法 R Square
上面介绍了三种指标，但是这些还是有问题的，像是分类的准确度，1最好，0最坏，很直观，但是上面的指标就没法很直观的判断，种类不同，没法直接对比，这算是一个局限性
解决方法，使用R Square
简单来说，就是让1减去预测结果减去真值的差距的平方的和再除以均值减去真值的平方的和
这个R²的意义是什么呢
对于分子来说，这样的操作可以使用我们的模型预测产生的错误，对于分母来说，是使用y=y*（y的均值）预测产生的错误，这也可以当成一个模型，其与x是无关的，是一个很朴素的预测结果，称其为Baseline Model
基于此，我们可以认为，我们使用自己的模型和基础的模型来预测产生的错误，在用1减去两者相除以后，相当于衡量了我们的模型拟合住的数据的地方，即衡量了我们的式子没有产生错误的指标
这样下来，我们可以确定
1.R²是小于等于1的
2.R²越大越好。当我们的预测模型不犯任何错误的时候，R²会得到最大值1
3.当我们的模型等于基准模型的时候，R²为0
4.和准确度不一样，存在小于0的情况，如果R²小于0，这就说明我们学习到的模型还不如一个基准模型，这个时候，很可能是我们的模型不存在任何的线性关系，这个时候可能需要换别的非线性的算法了
我们可以发现式子是可以变化成
这就可以变成
这样计算会更加的方便直观
上式可以书写成
1 - mean_squared_error(y_test,y_predict) / np.var(y_test)
在metrics.py中已经写好了R Square，我们直接引用使用即可
from metrics import r2_score
直接就可以调用这个函数，就可以得出结果
r2_score(y_test,y_predict)
在sklearn中一样有R Square，使用方法是一样的
from sklearn.metrics import r2_score
r2_score(y_test,y_predict)
我们可以在其中直接添加上计算准确度的函数score
在SimpleLinearRegression中添加上
from metrics import r2_score
def r2_score(y_ture, y_predict):
"""计算y_true和y_predict间的R Square"""
return 1 - mean_squared_error(y_ture, y_predict) / np.var(y_ture)
直接使用即可
reg.score(x_test,y_test)
