評價迴歸模型的好壞需要計算真實值與預測值之間的誤差關係，sklearn為我們提供了6種評價迴歸模型的方法，分別是

1.均方誤差（mean squared error）,

2.平均絕對誤差（mean absolute error）,

3.均方對數誤差（mean squared logarithmic error）,

4.中值絕對誤差（median absolute error）,

5.可釋方差分數（explain variance score），

6.決定係數分數（ score）

假設共有n個樣本,真實值是,預測值是

1. 均方誤差（mean squared error）

注意：區別於均方差（標準差）！！！標準差，也稱均方差，定義為方差的算術平方根，反映組內個體間的離散程度。

mean_squared_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

其中 multioutput : 有兩個取值，分別是 ['raw_values', 'uniform_average']

“raw_values”:

在多輸出的情況下返回每個輸出的誤差集合。

“uniform_average”:

在多輸出的情況下返回所有輸出的誤差均值。

均方誤差是非負值，模型越好MSE越接近零。

2.平均絕對誤差（mean absolute error）

mean_absolute_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

平均絕對誤差是非負值，模型越好MAE越接近零。

3.均方對數誤差（mean squared logarithmic error）

mean_squared_log_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

均方對數誤差是非負值，模型越好MSLE越接近零。

4.中值絕對誤差（median absolute error）

median_absolute_error(y_true, y_pred)

中值絕對誤差是非負值，模型越好MSE越接近零。

5.可釋方差分數（explain variance score）

explained_variance_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

最佳模型的可釋方差分數值為1，模型越差值越小。

6.決定係數分數（(coefficient of determination) score）

r2_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')

最佳模型的決定係數分數值為1，常數模型值為0，模型越差值越小。