回归预测的相关评价指标

详细解释：

1. R²：用来衡量模型对数据变异的解释能力。较高的R²表示模型能较好地解释数据的变异，但它并不能直接反映预测误差的大小。

2. MSE：计算的是预测值与实际值之间误差的平方的平均值，因此MSE会放大较大误差的影响，使得对离群点非常敏感。

3. RMSE：是MSE的平方根，保持了MSE强调大误差的优点，同时与数据原始单位一致，使得误差更具解释性。

4. MAE：计算误差的绝对值平均，相比MSE和RMSE，它对异常值不敏感，更平滑地反映误差的大小。但它忽略了误差的平方，不能像MSE那样强调大误差的影响。

以下是R²、MSE、RMSE、MAE之间的区别对比表：

指标	全称	公式	解释	取值范围	优点	缺点
R²	决定系数 (Coefficient of Determination)	$$R^2=1-\frac{{\text{SS}}_{\text{res}}}{{\text{SS}}_{\text{tot}}}$$	衡量模型对数据变异的解释程度。越接近1，模型解释能力越强。	[0, 1] （也可以为负，若模型拟合得非常差）	直观地反映模型的拟合效果；可解释性强	对离群点敏感，不能单独衡量模型的误差大小
MSE	均方误差 (Mean Squared Error)	$$\text{MSE}=\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$	预测值与实际值之间误差的平方平均值。值越小，模型精度越高。	[0, ∞)	反映误差的平方，强调大误差	对离群点非常敏感；单位与原始数据不同
RMSE	均方根误差 (Root Mean Squared Error)	$$\text{RMSE}=\sqrt{\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2}$$	MSE的平方根，表示误差的平均大小，具有与数据相同的单位。	[0, ∞)	保留MSE的优点，且单位与原始数据一致	同样对离群点敏感
MAE	平均绝对误差 (Mean Absolute Error)	$$\text{MAE}=\frac{1}{n}\sum _{i=1}^n|y_i-{\hat{y}}_i|$$	预测值与实际值之间误差的绝对值平均。值越小，模型精度越高。	[0, ∞)	不像MSE和RMSE那样对离群点过于敏感；容易解释	忽略了误差的方向性，不如MSE/ RMSE敏感