什么是MAE和MSE？

平均绝对误差（Mean Absolute Error，MAE）和平均方差误差（Mean Squared Error，MSE）是常用的评价回归模型性能的指标。它们用于衡量模型预测值与真实值之间的差异。

在深度学习领域，MAE 和 MSE 是常用的回归模型评价指标，通过这些指标可以量化模型的预测性能，并帮助优化模型和选择最佳模型。

	平均绝对误差 （Mean Absolute Error，MAE）	平均方差误差 （Mean Squared Error， MSE）
总体评价	是常用的评价回归模型性能的指标→	它们用于衡量模型预测值与真实值之间的差异
计算公式
公式参数	N 是测试数据集中的图像数量，→	y是第 i 张图像真实的人数, y’ 是第 i 张图像预测的人数。
表示	预测值与真实值之间的平均绝对误差	预测值与真实值之间误差的平方的平均值
评价	值越小越好	值越小越好
单位	单位与原始数据的单位相同，因此可以直观地解释预测的误差程度。	结果是平方单位，不易直观解释，尤其是当数据存在异常值时
应用领域	通常用于回归模型的评价，特别是在需要直观解释误差大小，并且异常值不太重要的情况下。 例如**，房价预测、销量预测**等领域。	通常用于回归模型的评价，尤其是在需要更加关注大误差的情况下。 但需要注意，当存在异常值或者需要直观解释误差时，MSE 可能不太适用。