完整的源代碼如下：

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression#線性回歸

import numpy as np

from sklearn.metrics import mean_squared_error

#計算MSE/R^2(均方差)

#print(tf.version)

def scoreReg():

#testY是一維數組，predicY是二維數組，故需要將testY轉換一下

MSE=np.sum(np.power((testY.reshape(-1,1) - predicY),2))/len(testY)

R2=1-MSE/np.var(testY)

print(“MSE:”,MSE)

print(“R2:”, R2)

#sklearn求解的MSE值

MSE2 = mean_squared_error(testY, predicY)

print(“MSE2:”, MSE2)

if name == ‘main’:

#波士頓房價預測數據，在這里我們取“RM”特征值x與房價預測結果y

#boston.data[:,5] 表示 “RM”特征值列數據

boston = datasets.load_boston()

x=boston.data[:,5]

y=boston.target

#過濾掉異常值

x=x[y<50]

y=y[y<50]

trainX, testX, trainY, testY = train_test_split(x, y)

reg=LinearRegression()

reg.fit(np.array(trainX).reshape(-1,1),np.array(trainY).reshape(-1,1))

predicY=reg.predict(np.array(testX).reshape(-1,1))

scoreReg()

上圖為運行結果

總結

以上是生活随笔為你收集整理的mse python_python3 MSE实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。