机器学习回归任务中的评价指标

分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared

①RMSE（Root Mean Square Error）均方根误差

衡量观测值与真实值之间的偏差。常用来作为机器学习模型预测结果衡量的标准。

②MSE（Mean Square Error）均方误差

MSE是真实值与预测值的差值的平方然后求和平均。通过平方的形式便于求导，所以常被用作线性回归的损失函数。

③MAE（Mean Absolute Error）平均绝对误差

是绝对误差的平均值。可以更好地反映预测值误差的实际情况。

④R-squared

R Squared又叫可决系数(coefficient of determination)也叫拟合优度,反映的是自变量x对因变量y的变动的解释的程度.越接近于1,说明模型拟合得越好。 在sklearn中回归树就是用的该评价指标。

可以这么理解：将TSS理解为全部按平均值预测，RSS理解为按模型预测，这就相当于去比较你模型预测和全部按平均值预测的比例，这个比例越小，则模型越精确。当然该指标存在负数的情况，即模型预测还不如全部按平均值预测

缺点：当数据分布方差比较大时，预测不准时，R^2依然比较大，此时改评价指标就不太好

⑤MAPE（Mean Absolute Percentage Error）