如何用Pythonic方法基于最小MSE选取最优数学模型？

核心思路：不要单独维护MSE列表和零散的分支判断，把模型相关信息和MSE绑定为可迭代结构，直接用Python内置的min()函数配合key参数完成筛选，新增模型时仅需更新可迭代结构即可，无需修改核心逻辑。

原逻辑痛点示例 #

原来的多分支判断写法大概如下，每新增一个模型就要新增变量和对应分支，维护成本极高：

# 分散存储各模型MSE
mse_lr = 0.12
mse_rf = 0.08
mse_xgb = 0.07
mse_svr = 0.09
min_mse = min(mse_lr, mse_rf, mse_xgb, mse_svr)

# 冗余的多分支判断
if min_mse == mse_lr:
    best_model_name = "线性回归"
elif min_mse == mse_rf:
    best_model_name = "随机森林"
elif min_mse == mse_xgb:
    best_model_name = "XGBoost"
else:
    best_model_name = "支持向量回归"

优化方案1：用字典存储模型名与MSE映射 #

如果仅需要获取最优模型的名称和对应MSE，用字典是最简洁的方案：

# 仅需维护这一个字典，新增模型时直接添加键值对即可
model_mse_map = {
    "线性回归": 0.12,
    "随机森林": 0.08,
    "XGBoost": 0.07,
    "支持向量回归": 0.09
}

# 一行代码完成最优模型筛选
best_model_name = min(model_mse_map, key=model_mse_map.get)
best_mse = model_mse_map[best_model_name]

优化方案2：用元组列表绑定模型实例、名称与MSE #

如果后续需要用最优模型做预测，需要保留模型实例的话，用元组列表更实用：

# 每个元素结构为 (训练好的模型实例, 模型名称, 对应MSE)
trained_model_list = [
    (lr_model, "线性回归", 0.12),
    (rf_model, "随机森林", 0.08),
    (xgb_model, "XGBoost", 0.07),
    (svr_model, "支持向量回归", 0.09)
]

# 直接拿到最优模型的全部信息
best_model, best_model_name, best_mse = min(trained_model_list, key=lambda item: item[2])

特殊场景处理：多模型MSE并列最优 #

如果存在多个模型MSE相同且都需要取出的情况，加一层过滤即可：

min_mse = min(model_mse_map.values())
# 拿到所有MSE等于最小值的模型名称
best_model_names = [name for name, mse in model_mse_map.items() if mse == min_mse]

方案优势 #

• 扩展性极强：新增模型仅需要在字典/列表中添加一条记录，无需修改任何判断逻辑
• 代码简洁无冗余，可读性更高
• 完全使用Python内置函数实现，符合Python开发规范
• 适配灵活，修改key参数即可快速切换评估准则，比如要按最大R²筛选时仅需把key改为lambda x: -x[3]即可

内容的提问来源于stack exchange，提问作者Bogdan Doicin