回归算法：对历史数据进行拟合，形成拟合方程。接下来使用该方程对新数据进行预测。下图中红线表示的是一元数据的拟合方程，如果数据是二元数据，那么它的拟合方程就是一个拟合平面，对于更高维的数据，它的拟合方程将更加复杂。
对于回归算法，我们评价它的好坏，就是看它的预测结果与我们的真实结果的差异大小。在回归算法中，我们最常用的评估指标分别是：平均绝对值误差，平均绝对百分比误差、均方误差，均方根误差，可决系数、校正决定系数、误差平方和。
1.平均绝对值误差
计算每一个样本的预测值和真实值的差的绝对值，然后求和再取平均值。其公式如下， Yi为真实值， F（Xi）算法的预测值。，可以更好地反映预测值误差的实际情况 ，在线性回归的时候我们的目的就是让这个损失函数最小。
Python方法：
MAE_1 = np.mean(abs(y_test - prediction))
print(MAE_1)
[out]：3.3446655035987476
MSE相当于模型中的 损失函数 ，线性回归过程中尽量让该损失函数最小。那么模型之间的对比也可以用它来比较。平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际预测误差的大小。MSE可以评价模型的预测精度，MSE的值越小，说明预测模型对于目标的拟合程度越精确。
2、平均绝对百分比误差
范围[0,+∞)，MAPE 为0%表示完美模型，MAPE 大于 100 %则表示劣质模型。MAPE 的值越小，说明预测模型拥有更好的精确度。MAPE 是一个百分比值，因此比其他统计量更容易理解。例如，如果 MAPE 为 5，则表示预测结果较真实结果平均偏离 5 %。MAPE 的值越小，说明预测模型拥有更好的精确度。
Python方法：
import numpy as np
def mape(y_true, y_pred):
"""
参数:
y_true -- 测试集目标真实值
y_pred -- 测试集目标预测值
返回:
mape -- MAPE 评价指标
"""
n = len(y_true)
mape = sum(np.abs((y_true - y_pred)/y_true))/n*100
return mape
平均绝对百分比误差，与RMSE相比，更加鲁棒，因为MAPE对每个点的误差进行了归一化。理论上，MAPE 的值越小，说明预测模型拟合效果越好，具有更好的精确度
3.均方误差
计算每一个样本的预测值与真实值差的平方，然后求和再取平均值。一般用来检测模型的预测值和真实值之间的偏差
Python方法：
MSE_1 = np.mean((y_test - prediction)**2)
print(MSE_1)
[out]：19.831323672063235
4.均方根误差
均方根误差就是在均方误差的基础上再开方。即均方误差开根号，方均根偏移代表预测的值和观察到的值之差的样本标准差。将误差的结果就跟数据变成一个级别的。
python方法：
RMSE_1 = np.sqrt(np.mean((y_test - prediction)**2))
print(RMSE_1)
[out]：4.45323743719816
RMSE（Root Mean Squard Error）均方根误差，RMSE其实是MSE开根号，两者实质一样，但RMSE能更好的描述数据。因为MSE单位量级和误差的量级不一样，而RMSE跟数据是一个级别的，更容易感知数据。 缺点：易受异常值的影响。
5.可决系数
可决系数
的值为0~1之间的值。
越接近于1，说明模型的效果越好，
越接近于0，说明的模型效果越差，当然
也存在负值，此时说明模型的效果非常的差。公式中
为 y 的平均值。
其中，分子部分表示真实值与预测值的平方差之和，类似于均方差 MSE；分母部分表示真实值与均值的平方差之和，类似于方差 Var。上面分子就是我们训练出的模型预测的所有误差，下面分母就是不管什么我们猜的结果就是y的平均数。
python方法：
R_1 = 1 - np.mean((y_test - prediction)**2)/np.mean((y_test - np.mean(y_test)**2))
print(R_1)
[out]：0.7836295385076281
根据 R-Squared 的取值，来判断模型的好坏，其取值范围为[0,1]：如果结果是 0，说明模型拟合效果很差；如果结果是 1，说明模型无错误。一般来说，R2 越接近于1，说明回归直线对观测值的拟合程度越好；相反，R2值越小，说明回归直线对观测值的拟合程度越差。
6、校正决定系数
其中，n为样本数量，p为特征数量。 取值范围还是负无穷到1，大多是 0~1
一般来说，R-Squared 越大，表示模型拟合效果越好。R-Squared 反映的是大概有多准，因为，随着样本数量的增加，R-Square必然增加，无法真正定量说明准确程度，只能大概定量。
Adjusted R-Square 抵消样本数量对 R-Square的影响，做到了真正的 0~1，越大越好。 且越大越好。
R2：r2_score(y_test,y_predict)
Adjusted_R2：:1-((1-r2_score(y_test,y_predict))*(n-1))/(n-p-1)
（机器学习）如何评价回归模型？——Adjusted R-Square（校正决定系数）_远行人_Xu的博客-CSDN博客_adjusted r square表示什么?
ML之ME/LF：机器学习中回归预测模型评估指标之“调整确定系数R2”的简介、代码实现之详细攻略_一个处女座的程序猿的博客-CSDN博客_调整的r2
这个式子其实就是将R-Square式子中那个 “一堆除以一堆” 乘以 “一个稍大于1的数” 再被1减。样本数量（接上文flag）会影响“一个稍大于1的数”，故而 抵消样本数量对R-Square的影响 ，从而更能用一个0~1的数字描述回归模型的拟合情况好坏。
小结：
1. MAE, MSE, RMSE可以准确的计算出预测结果和真实的结果的误差大小，但却无法衡量模型的好坏程度。但是这些指标可以指导我们的模型改进工作，如调参，特征选择等。 2. 的结果可以很清楚的说明模型的好坏，该值越接近于1，表明模型的效果越好。该值越接近于0，表明模型的效果越差。
3、上面的几种衡量标准针对不同的模型会有不同的值。比如说预测房价， 那么误差单位就是万元。数子可能是3，4，5之类的。那么预测身高就可能是0.1，0.6之类的。没有什么可读性，到底多少才算好呢？不知道，那要根据模型的应用场景来。 看看分类算法的衡量标准就是正确率，而正确率又在0～1之间，最高百分之百。最低0。很直观，而且不同模型一样的。那么线性回归有没有这样的衡量标准呢？答案是有的。那就是R2
相关文章
您阅读本篇文章共花了：
发表评论