根据传入的模型计算mse
我正在尝试绘制数据的均方误差图，但是我很难弄清楚该怎么做。我知道您既需要“ true”值又需要“ predicted”值才能获得mse，但是我的项目布局方式非常令人困惑。
我有一种生成模型的方法，如下所示：
def fit_curve(X, y, degree):
poly_features = PolynomialFeatures(degree = degree)
x_poly = poly_features.fit_transform(X)
linreg = LinearRegression()
model = linreg.fit(x_poly, y)
return model
这将返回已训练的模型。
然后，我应该找到所述模型的均方误差。我不确定应该怎么做，因为模型已经过训练而没有返回预测值。现在，我计算mse的方法是：
def mse(X, y, degree, model):
poly_features = PolynomialFeatures(degree = degree)
linreg = LinearRegression()
x_poly = poly_features.fit_transform(X)
linreg.fit(x_poly, y)
y_predict = linreg.predict(x_poly)
mse = mean_squared_error(y_predict, y)
return mse
我觉得与fit_curve相比，我在mse中使用的许多代码都是非常多余的。不幸的是，指导方针说这是我需要这样做的方式（使用mse取X，y，度和模型。
我认为还值得注意的是，我当前的“ mse”在大约13-14度之前都可以正常工作，此时它在图形上生成的答案与我给出的解决方案不符。我不确定为什么它不能完美运行，因为我认为这是正确的想法。
问题来源：stackoverflow
写回答
-
事情应该以这种方式完成：
1）将您的X和y分为训练和测试集。您可以为此使用train_test_split。您可以选择test_size（我以0.33为例）和random_state（这有助于重现性）。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)2）使用X_train和y_train拟合模型（此处为线性回归）。您有一些特征生成方法（多项式一），这很棒。与训练数据一起使用。
poly_features = PolynomialFeatures(degree=degree) linreg = LinearRegression() X_train_poly = poly_features.fit_transform(X_train) linreg.fit(X_train_poly, y_train)3）通过查看拟合模型是否可以正确预测未知数据来评估拟合模型（X_test）。为此，您确实可以将mean_squared_error与model.predict（X_test）和y_test一起使用。注意，您必须对X_test应用与对X_train所做的变换相同的变换（这就是我们首先使用poly_features.transform的原因）
X_test_poly = poly_features.transform(X_test) print(mean_squared_error(linreg.predict(X_test_poly), y_test))希望能有所帮助。
回答来源：stackoverflow
2020-03-24 19:09:23赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
