我在数据集上进行了岭回归模型，如下所示：

from sklearn.linear_model import Ridge

from sklearn.model_selection import train_test_split

y = train['SalePrice']

X = train.drop("SalePrice", axis = 1)

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.30)

ridge = Ridge(alpha=0.1, normalize=True)

ridge.fit(X_train,y_train)

pred = ridge.predict(X_test)

我使用sklearn中的度量库计算了MSE

from sklearn.metrics import mean_squared_error

mean = mean_squared_error(y_test, pred)

rmse = np.sqrt(mean_squared_error(y_test,pred)

我得到一个非常大的MSE = 554084039.54321和RMSE =值21821.8，我试图了解我的实现是否正确。

解决办法：RMSE实施

你的RMSE实现是正确的，当你采用sklearn的sqaure根时很容易验证mean_squared_error。

我认为你错过了一个结束括号，但确切地说：

rmse = np.sqrt(mean_squared_error(y_test,pred)) # the last one was missing

高错误问题

由于模型无法很好地模拟变量和目标之间的关系，因此您的MSE很高。请记住，每个错误都被赋予2的幂，所以1000在价格天空中熄火的价值100000。