我正在嘗試繪制數據的均方誤差，但我有點難以弄清楚如何做到這一點。我知道你需要“真實”值和“預測”值才能得到mse，但是我的項目的布局方式非常混亂。我有一個方法，其中我生成一個模型，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這將返回已訓練的模型。然后，我應該找到所述模型的均方誤差。我不確定我應該如何執行此操作，因為模型已經在沒有返回預測值的情況下進行了訓練。現在我計算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我覺得與.不幸的是，指南說這是我需要這樣做的方式（采取，，和。msefit_curvemseXydegreemodel我認為還值得注意的是，我目前的工作正常，直到大約13-14度，它在圖表上生成的答案與我給出的解決方案不匹配。我不確定為什么它不能完美地工作，因為我認為這是正確的想法。mse
1 回答
qq_花開花謝_0
TA貢獻1835條經驗 獲得超7個贊
事情應該以這種方式完成：
1） 將 X 和 y 拆分為訓練集和測試集。您可以使用train_test_split。您可以選擇test_size（我以0.33為例）和random_state（這個有助于提高可重復性）。
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擬合模型（特此為線性回歸）。你有一些特征生成方法（多項式方法），這很棒。將其與訓練數據一起使用。
poly_features = PolynomialFeatures(degree=degree)
linreg = LinearRegression()
X_train_poly = poly_features.fit_transform(X_train)
linreg.fit(X_train_poly, y_train)
3） 通過查看擬合模型是否可以正確預測未見過的數據（X_test）來評估擬合模型。為此，您確實可以將mean_squared_error與 model.predict（X_test） 和 y_test 一起使用。請注意，您必須對X_test應用與X_train相同的轉換（這就是我們首先使用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))
希望有所幫助。
添加回答
舉報
0/150
提交
取消