计算传入的模型的 mse

Question

我正在尝试绘制数据的均方误差，但我有点难以弄清楚如何做到这一点。我知道你需要“真实”值和“预测”值才能得到mse，但是我的项目的布局方式非常混乱。我有一个方法，其中我生成一个模型，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。我不确定我应该如何执行此操作，因为模型已经在没有返回预测值的情况下进行了训练。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.不幸的是，指南说这是我需要这样做的方式（采取，，和。msefit_curvemseXydegreemodel我认为还值得注意的是，我目前的工作正常，直到大约13-14度，它在图表上生成的答案与我给出的解决方案不匹配。我不确定为什么它不能完美地工作，因为我认为这是正确的想法。mse

Answer 1

事情应该以这种方式完成：

1） 将 X 和 y 拆分为训练集和测试集。您可以使用train_test_split。您可以选择test_size（我以0.33为例）和random_state（这个有助于提高可重复性）。

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（特此为线性回归）。你有一些特征生成方法（多项式方法），这很棒。将其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见过的数据（X_test）来评估拟合模型。为此，您确实可以将mean_squared_error与 model.predict（X_test） 和 y_test 一起使用。请注意，您必须对X_test应用与X_train相同的转换（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))

希望有所帮助。