我正在尝试绘制我的数据的均方误差，但不太确定如何操作。我知道要计算均方误差需要“真实”值和“预测”值，但我的项目结构相当混乱，难以理解。
我有一个生成模型的方法，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这会返回一个已经训练好的模型。
然后，我需要为该模型计算均方误差。我不确定该如何操作，因为模型已经在不返回预测值的情况下训练好了。目前我计算均方误差的方法是这样的：
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我觉得在mse方法中使用的很多代码与fit_curve方法相比是多余的。不幸的是，根据指导方针，我必须按照这种方式操作（mse需要接收X、y、degree和model）。
我还注意到，我的当前mse方法在13到14度的范围内工作正常，但在图表上生成的答案与我得到的解决方案不匹配。我不确定为什么它不能完美工作，因为我认为这是正确的思路。
回答：
事情应该这样做：
1) 将您的X和y数据分割成训练集和测试集。您可以使用train_test_split来完成此操作。您可以选择测试集大小（我以0.33为例）和随机状态（这有助于重现性）。
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来拟合您的模型（这里是一个线性回归）。您有一些特征生成方法（多项式方法），这很好。使用它处理训练数据。
poly_features = PolynomialFeatures(degree=degree)linreg = LinearRegression()X_train_poly = poly_features.fit_transform(X_train)linreg.fit(X_train_poly, y_train)3) 通过检查模型是否能正确预测未见过的数据（X_test）来评估拟合的模型。为此，您确实可以使用mean_squared_error，并使用model.predict(X_test)和y_test。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))希望这对您有帮助。
