如何在 RandomForestRegression 中计算 MSE 标准？

Question

我现在使用 sklearn.ensemble 中的 RandomForestRegressor 来分析数据集，我选择“mse”作为衡量分割质量的函数。但是我不太清楚mse是如何计算的。谁能在这里向我解释一下（最好用方程式）或给我一些参考资料？提前谢谢你。

Answer 1

如果我想简短地回答，这个指标是成本函数方法之一。考虑下图中你的模型绿线，那些蓝点是数据（观察）。

MSE，顾名思义，是所有数据点的平方面积相对于一条线的平均总和，总之代表你的模型误差。

MSE 可以通过以下方式计算：

它显示模型的好坏。 更小 MSE，更好模型！

更多信息：

了解 Python 中的回归误差指标

损失函数简介

更新 30.05.2019： 要验证事物，您可以根据其文档 RandomForestRegressor() 深入研究文档，有时也可以深入研究代码，MSE 只不过是 方差减少 作为特征选择标准，即使当你检查它用于measuring the quality of a split的源代码。另一方面，如果您对

RandomForestRegressor()

中的 MSE 方法有疑问，您可以通过自定义

criterion

独立使用它，如下所示：

from sklearn.metrics import mean_squared_error
from sklearn.ensemble import RandomForestRegressor
#Feature Selection
criterion = mean_squared_error(y, predictions)
RandomForestRegressor( ...,criterion= criterion,...)

或使用numpy：

import numpy as np
criterion = np.mean((y_test - est.predict(X_test))**2)