MAE MSE python计算函数

在 Python 中，可以通过自定义函数或使用 `sklearn` 库中的内置函数来计算 MAE（平均绝对误差）和 MSE（均方误差）。MAE 和 MSE 是评估回归模型性能的常用指标。 ### 使用自定义函数计算 MAE 和 MSE MAE 的计算公式为： $$ \text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i| $$ MSE 的计算公式为： $$ \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 $$ 以下是一个简单的实现示例： ```python def mean_absolute_error(y_true, y_pred): return sum(abs(yt - yp) for yt, yp in zip(y_true, y_pred)) / len(y_true) def mean_squared_error(y_true, y_pred): return sum((yt - yp) ** 2 for yt, yp in zip(y_true, y_pred)) / len(y_true) # 示例数据 y_true = [3, -0.5, 2, 7] y_pred = [2.5, 0.0, 2, 8] # 计算 MAE 和 MSE mae = mean_absolute_error(y_true, y_pred) mse = mean_squared_error(y_true, y_pred) print(f"MAE: {mae}") print(f"MSE: {mse}") ``` ### 使用 `sklearn` 库计算 MAE 和 MSE `sklearn.metrics` 模块提供了 `mean_absolute_error` 和 `mean_squared_error` 函数，可以直接用于计算 MAE 和 MSE： ```python from sklearn.metrics import mean_absolute_error, mean_squared_error # 示例数据 y_true = [3, -0.5, 2, 7] y_pred = [2.5, 0.0, 2, 8] # 计算 MAE 和 MSE mae = mean_absolute_error(y_true, y_pred) mse = mean_squared_error(y_true, y_pred) print(f"MAE: {mae}") print(f"MSE: {mse}") ``` ###

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考