Python中MSE、RMSE、MAE与R2的计算及sklearn实现

小林子

发布时间：2026-10-13| 4人浏览过

原创

本文详细介绍Python中回归模型常用的评估指标：均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）及决定系数（R2）。内容涵盖从原生Python列表推导到NumPy向量化计算的多种实现方式，并演示如何利用sklearn库快速调用相关函数进行模型评估，帮助开发者理解各指标的计算逻辑与应用场景。

Python回归模型评估指标实现

为避免冗长介绍，直接展示核心代码实现。


target = [1.5, 2.1, 3.3, -4.7, -2.3, 0.75]
prediction = [0.5, 1.5, 2.1, -2.2, 0.1, -0.5]
 
 
error = []
for i in range(len(target)):
 error.append(target[i] - prediction[i])
 
print("Errors: ", error)
print(error)
 
squaredError = []
absError = []
for val in error:
 squaredError.append(val * val)#target-prediction之差平方 
 absError.append(abs(val))#误差绝对值
 
 
print("Square Error: ", squaredError)
print("Absolute Value of Error: ", absError)
 
 
print("MSE = ", sum(squaredError) / len(squaredError))#均方误差MSE
 
 
from math import sqrt
print("RMSE = ", sqrt(sum(squaredError) / len(squaredError)))#均方根误差RMSE
print("MAE = ", sum(absError) / len(absError))#平均绝对误差MAE
 
 
targetDeviation = []
targetMean = sum(target) / len(target)#target平均值
for val in target:
 targetDeviation.append((val - targetMean) * (val - targetMean))
print("Target Variance = ", sum(targetDeviation) / len(targetDeviation))#方差
 
 
print("Target Standard Deviation = ", sqrt(sum(targetDeviation) / len(targetDeviation)))#标准差

核心指标：MSE、RMSE、MAE与R2

补充内容：回归模型常用评估指标包括MSE、RMSE、MAE以及R2。

基于sklearn的调用方法

使用sklearn库进行调用。


# 测试集标签预测
y_predict = lin_reg.predict(X_test)

# 衡量线性回归的MSE 、 RMSE、 MAE、r2
from math import sqrt
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score
print("mean_absolute_error:", mean_absolute_error(y_test, y_predict))
print("mean_squared_error:", mean_squared_error(y_test, y_predict))
print("rmse:", sqrt(mean_squared_error(y_test, y_predict)))
print("r2 score:", r2_score(y_test, y_predict))

原生Python手动实现

通过原生Python逻辑手动实现计算过程。


# 测试集标签预测
y_predict = lin_reg.predict(X_test)
# 衡量线性回归的MSE 、 RMSE、 MAE
mse = np.sum((y_test - y_predict) ** 2) / len(y_test)
rmse = sqrt(mse)
mae = np.sum(np.absolute(y_test - y_predict)) / len(y_test)
r2 = 1-mse/ np.var(y_test)
print("mse:",mse," rmse:",rmse," mae:",mae," r2:",r2)