套索中的均方误差(MSE)和Python中的岭回归
实际上,我正在为一个数据集同时编写岭回归和套索回归,最后我试图绘制两种方法的性能图和误差图(MSE) 对于性能,我使用了从sklearn导入的命令套索中的均方误差(MSE)和Python中的岭回归,python,regression,lasso-regression,mean-square-error,Python,Regression,Lasso Regression,Mean Square Error,实际上,我正在为一个数据集同时编写岭回归和套索回归,最后我试图绘制两种方法的性能图和误差图(MSE) 对于性能,我使用了从sklearn导入的命令linear\u model.ridge.score()和linear\u model.lasso.score()。当我绘制图表时,它似乎保持在0和1之间,但当我试图分别计算两者的MSE时,它变成了一个大数字,即798768(完整列表)等 但是我还需要0和1之间的误差,这样当我绘制它时,我可以将它与性能进行比较 所以我的问题是: 有什么方法可以在不丢失
linear\u model.ridge.score()
和linear\u model.lasso.score()。当我绘制图表时,它似乎保持在0
和1
之间,但当我试图分别计算两者的MSE时,它变成了一个大数字,即798768
(完整列表)等
但是我还需要0
和1
之间的误差,这样当我绘制它时,我可以将它与性能进行比较
所以我的问题是:
有什么方法可以在不丢失信息的情况下将此类列表转换为0到1之间的数字?您可以使用其“标准化版本”——确定系数R^2(),它保证在0到1之间。
有关详细信息,请参阅此答案。分数是百分比,MSE是数量。您可能需要RMSE,因此它与您的输入使用相同的单位,因为这样更容易理解。或者,如果需要,您可以使用MAPE作为百分比。请添加一些有关MAPE的链接。。?