🍀引言

线性回归是机器学习领域中最基础的模型之一，它在许多实际问题中都具有广泛的应用。然而，在使用线性回归模型时，仅仅构建模型是不够的，还需要对模型进行评估和优化，以确保其在实际应用中表现出色。本篇博客将深入探讨线性回归模型的评估与优化方法，同时使用Python进行实际演示。

🍀模型评估方法

模型评估是了解模型性能的关键步骤，它帮助我们了解模型在新数据上的表现。在线性回归中，常用的评估指标包括均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）等。

本文主要介绍三种评估方法，除此之外介绍一些其他的概念，最后上代码

🍀均方误差（MSE）

均方误差是预测值与真实值之间差异的平方的平均值。数学公式如下：

$\frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$

其中， $n$ 是样本数量， $y_i$ 是真实值， $\hat{y}_i$ 是模型预测值。

🍀均方根误差（RMSE）

均方根误差是均方误差的平方根，它具有与原始数据相同的单位。计算公式如下：

$\sqrt{MSE}$

🍀绝对平均误差（MAE）

$\frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|$

其中， $n$ 是样本数量， $y_i$ 是真实值， $\hat{y}_i$ 是模型预测值。

相比于MSE，MAE对异常值更加稳健，因为它使用了绝对值。在某些应用场景中，更关注预测值与真实值的绝对差异可能更为合适。

本文主要介绍以上三个评估方法，读者若感兴趣还可以自行查阅

🍀模型优化策略

线性回归模型的性能可能因为多种原因而不佳，因此优化策略变得至关重要。以下是一些常见的优化策略：

🍀特征工程

特征工程是提高模型性能的关键步骤。通过添加、删除、组合特征，以及进行数据转换，我们可以为模型提供更多有用的信息。例如，在房价预测问题中，除了房屋面积，考虑到房间数量、地理位置等特征可能会提升模型表现。

🍀正则化

正则化是防止模型过拟合的一种方法。岭回归（Ridge Regression）和Lasso回归（Lasso Regression）是常用的正则化技术，它们通过对模型参数的大小进行惩罚来控制模型的复杂度。

🍀数据标准化

将特征数据进行标准化可以确保不同特征的尺度一致，有助于模型的训练过程。标准化可以消除特征之间的量纲影响，提高模型的稳定性和收敛速度。

🍀代码演示

from sklearn.linear_model import LinearRegression
import numpy as np
import matplotlib.pyplot as pltx = np.array([1,2,3,4,5])
y = np.array([1,3,2,3,5])lin_reg = LinearRegression()
lin_reg.fit(x.reshape(-1,1),y)
lin_reg.score(x.reshape(-1,1),y)

运行结果如下
在这里插入图片描述

# 均方误差
def MSE(y_true,y_predict):return np.sum((y_true-y_predict)**2)/len(y_true)

运行结果如下
在这里插入图片描述

# 均根方误差
from math import sqrt
def RMSE(y_true,y_predict):return sqrt(np.sum((y_true-y_predict)**2)/len(y_true))

运行结果如下
在这里插入图片描述

# 绝对平均误差
def MAE(y_true,y_predict):return np.sum(np.absolute(y_true-y_predict))/len(y_true)

运行结果如下
在这里插入图片描述

🍀疑问？

这时会有小伙伴产生疑问，评估数值越大越好还是越小越好呢？

对于大部分模型评估指标来说，确实是越大越好，因为这意味着模型在预测上更准确、更接近真实值。然而，要根据具体的评估指标和任务类型来判断。

均方误差（MSE）和均方根误差（RMSE）：对于这两个指标，数值越小越好，因为它们衡量了模型预测值与真实值之间的差异，越小表示模型的预测越接近真实值。
绝对平均误差（MAE）：同样地，MAE数值越小越好，因为它衡量了平均绝对差异，即预测值与真实值之间的绝对距离。
决定系数（R-squared）：在决定系数中，数值越接近1越好，因为它表示模型对因变量变化的解释能力，越接近1表示模型能够更好地解释数据的变化。

总体而言，当我们评估模型时，我们通常希望评估指标的数值越小越好（如MSE、RMSE、MAE），或者越大越好（如R-squared）。然而，在某些情况下，具体的任务和问题背景可能会影响哪个方向更适合。例如，如果我们更关注异常值，可能会更倾向于使用MAE，因为它不会受到异常值的影响。在选择评估指标时，务必要结合问题的实际情况来进行判断。

请添加图片描述