回归类的模型评估指标1：是否预测了正确的数值-MSE,MAE

建模的过程在sklearn当中其实非常简单，但模型的效果如何呢？接下来，看看多元线性回归的模型评估指标。
回归类算法的模型评估一直都是回归算法中的一个难点，但不像无监督学习算法中的轮廓系数等评估指标，回归类与分类型算法的模型评估其实是相似的法则——找真实标签和预测值的差异。
只不过，在分类型算法中，这个差异只有一种角度来评判，那就是是否预测到了正确的分类，而回归类算法中，有两种不同的角度来看待回归的效果：
第一，是否预测到了正确的数值。
第二，是否拟合到了足够的信息。
这两种角度，分别对应着不同的模型评估指标。

是否预测了正确的数值

RSS残差平方和的本质是预测值与真实值之间的差异，也就是从第一种角度来评估回归的效力，所以RSS既是损失函数，也是回归类模型的模型评估指标之一。但是，RSS有着致命的缺点：它是一个无界的和，可以无限地大。想要求解最小的RSS，从RSS的公式来看，它不能为负，所以RSS越接近0越好，但是，究竟多小才算好，多接近0才算好？为了应对这种状况，sklearn中使用RSS的变体，均方误差MSE（mean squared error）来衡量预测值和真实值的差异：
$$MSE=\frac{1}{m}$$