评价指标1. 均方误差（Mean Squared Error，MSE）：

1. 均方误差（Mean Squared Error，MSE）：

MSE是预测值与真实值之间差异的平方和的平均值，计算公式为：

���=1�∑�=1�(��−�^�)2MSE=n1​∑i=1n​(yi​−y^​i​)2

其中，��yi​ 是真实值，�^�y^​i​ 是模型预测值，�n 是样本数量。MSE越小表示模型的预测结果与真实值之间的差异越小。

2. 均方根误差（Root Mean Squared Error，RMSE）：

RMSE是MSE的平方根，计算公式为：

����=1�∑�=1�(��−�^�)2RMSE=n1​∑i=1n​(yi​−y^​i​)2​

RMSE在量纲上与原始数据相同，因此更直观地反映了预测误差的大小。

3. 平均绝对误差（Mean Absolute Error，MAE）：

MAE是预测值与真实值之间差异的绝对值的平均值，计算公式为：

���=1�∑�=1�∣��−�^�∣MAE=n1​∑i=1n​∣yi​−y^​i​∣

MAE衡量了模型预测值与真实值之间的平均偏差，对异常值不敏感。

4. R²（R-squared）：

R²统计量衡量了模型拟合数据的程度，取值范围在0到1之间。计算公式为：

�2=1−∑�=1�(��−�^�)2∑�=1�(��−�ˉ)2R2=1−∑i=1n​(yi​−yˉ​)2∑i=1n​(yi​−y^​i​)2​

其中，�ˉyˉ​ 是真实值的平均值。R²越接近1表示模型拟合效果越好，越接近0表示模型效果越差。

这些评价指标可以单独或结合使用，以全面评估模型在回归任务中的性能。