模型评估
前面用学习算法对训练集进行估计，得出了模型的参数。 如何评价模型在现实中的表现呢？现在假设有另一组数据，作为测试集进行评估
有些度量方法可以用来评估预测效果，我们用 R 方（r-squared）评估匹萨价格预测的效果。 R 方也叫确定系数（coefficient of determination），表示模型对现实数据拟合的程度。 计算 R 方的方法有几种。 一元线性回归中 R 方等于皮尔逊积矩相关系数（Pearson product moment correlation coefficient 或 Pearson’s r）的平方。这种方法计算的 R 方一定介于 0～1 之间的正数。 其他计算方法，包括 scikit-learn 中的方法，不是用皮尔逊积矩相关系数的平方计算的，因此当模型拟合效果很差的时候 R 方会是负值。 下面用 scikitlearn 方法来计算 R 方
R 方是 0.6620 说明测试集里面过半数的价格都可以通过模型解释。 现在，用 scikit-learn 来验证一下。 LinearRegression 的 score 方法可以计算 R 方：
model = LinearRegression()
model.fit(X,y)
X_test = [[8], [9], [11], [16], [12]]
y_test = [[11], [8.5], [15], [18], [11]]
SStot = np.sum((y_test-np.mean(y_test))**2)
SSres = np.sum((y_test-model.predict(X_test))**2)
print("SStot=",SStot)
print("SSres=",SSres)
print("R2=", 1-SSres/SStot)
print("model score=", model.score(X_test, y_test))
SStot= 56.8 SSres= 19.1980993608799 R2= 0.6620052929422553 model score= 0.6620052929422553
原创文章，作者：朋远方，如若转载，请注明出处：https://caovan.com/08-xianxinghuigui-linear-regression/.html
微信扫一扫 