我們通常採用MSE、RMSE、MAE、R2來評價迴歸預測演算法。

1、均方誤差：MSE（Mean Squared Error）

其中，為測試集上真實值-預測值。

2、均方根誤差：RMSE（Root Mean Squard Error）

可以看出，RMSE=sqrt（MSE）。

3、平均絕對誤差：MAE（Mean Absolute Error）

以上各指標，根據不同業務，會有不同的值大小，不具有可讀性，因此還可以使用以下方式進行評測。

4、決定係數：R2（R-Square）

其中，分子部分表示真實值與預測值的平方差之和，類似於均方差 MSE；分母部分表示真實值與均值的平方差之和，類似於方差 Var。

根據 R-Squared 的取值，來判斷模型的好壞，其取值範圍為[0,1]：

如果結果是 0，說明模型擬合效果很差；

如果結果是 1，說明模型無錯誤。

一般來說，R-Squared 越大，表示模型擬合效果越好。R-Squared 反映的是大概有多準，因為，隨著樣本數量的增加，R-Square必然增加，無法真正定量說明準確程度，只能大概定量。

5、校正決定係數（Adjusted R-Square）

其中，n 是樣本數量，p 是特徵數量。

Adjusted R-Square 抵消樣本數量對 R-Square的影響，做到了真正的 0~1，越大越好。

python中可以直接呼叫

from sklearn.metrics import mean_squared_error #均方誤差
from sklearn.metrics import mean_absolute_error #平方絕對誤差
from sklearn.metrics import r2_score#R square
#呼叫
MSE：mean_squared_error(y_test,y_predict)
RMSE:np.sqrt(mean_squared_error(y_test,y_predict))
MAE：mean_absolute_error(y_test,y_predict)
R2：r2_score(y_test,y_predict)
Adjusted_R2：:1-((1-r2_score(y_test,y_predict))*(n-1))/(n-p-1)