python - 如何在Ridge回归模型上计算RMSE

我已经对数据集执行了岭回归模型
（链接到数据集：https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data）
如下：

from sklearn.linear_model import Ridge
from sklearn.model_selection import train_test_split

y = train['SalePrice']
X = train.drop("SalePrice", axis = 1)

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.30)
ridge = Ridge(alpha=0.1, normalize=True)
ridge.fit(X_train,y_train)
pred = ridge.predict(X_test)

我使用sklearn的指标库计算了MSE为

from sklearn.metrics import mean_squared_error
mean = mean_squared_error(y_test, pred)
rmse = np.sqrt(mean_squared_error(y_test,pred)

我得到一个非常大的MSE = 554084039.54321和RMSE = 21821.8值，我试图了解我的实现是否正确。

最佳答案

RMSE实施

您的RMSE实现是正确的，当您使用sklearn的mean_squared_error的平方根时，很容易验证。

我认为您虽然缺少右括号，但确切的说：

rmse = np.sqrt(mean_squared_error(y_test,pred)) # the last one was missing

高错误问题

由于模型无法对变量之间的关系进行建模并且无法很好地定位目标，因此您的MSE很高。请记住，每个误差都取2的幂，因此在价格飞涨的情况下，将1000的值设置为1000000。

您可能需要使用自然对数（numpy.log）修改价格并将其转换为对数比例，这是一种常见的做法，尤其是针对此问题（我假设您正在执行House Prices: Advanced Regression Techniques），请参见可用的内核以获取指导。采用这种方法，您将不会获得如此巨大的价值。

最后但并非最不重要的一点是，请检查Mean Absolute Error以查看您的预测并不像看起来那样糟糕。

关于python - 如何在Ridge回归模型上计算RMSE，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54613144/