如果分类问题的评价指标为精度，则回归算法的评价指标为MSE、RMSE、MAE、R-Squared
1 .均方误差MSE ) )。
MSEmeansquarederror )称为均方差。 看公式
这里的两个y分别是真值和测试集中的预测值。
真值-使用预测值，平方后合计平均值。
是线性回归的损失函数！ 在线回归时，我们的目的是使这个损失函数最小。 那么模型做好了，把损失函数丢到测试集中看看损失值不就行了吗？
2 .均方根误差RMSE ) )。
RMSE 均方根误差)。
是MSE起根号吗？ 实质上是一样的。 只是对数据的更好描述。
例如，要预测房价，每平方万元，我们的预测结果也是万元。 那么，差的平方单位应该是千万级。 不利于解释。 加上根本号码就是数量水平。
MAE 平均绝对误差) )。
R Squared
上式中，分子部分表示真值与预测值平方误差之和，类似于均方误差MSE； 分母部分表示真值和平均值的平方误差之和，与方差Var相似。 根据R-Squared的取值判断模型的好坏。 如果结果为0，则表示模型拟合效果差的结果为1，则模型没有错误。 一般来说，R-Squared越大，表示模型拟合的效果越好。 R-Squared反映了有多正确。 因为，随着样本数的增加，R-Square必然增加，无法真正定量地解释准确性，只能进行近似定量。
根据情况，即使只看R-Squared，也无法推测增加的特征是否有意义。 通常，添加一个特征后，R-Squared可能会变大，也可能不会改变。 两者不一定呈正相关。
使用修正决定系数Adjusted R-Square )时：
其中，n是采样数，p是特征数。 Adjusted R-Square抵消了样本数量对R-Square的影响，达到了真正的0~1。 越大越好。
各种评价指标scikit-learn中的表示法
froms klearn.metricsimportmean _ squared _ error #均方误差
froms klearn.metricsimportmean _ absolute _ error #平方绝对误差
froms klearn.metrics importr2_ score # r square
#呼叫
mean_squared_errory_test，y_predict ) )。
mean_absolute_errory_test，y_predict )。
R2_scorey_test，y_predict ) ) ) ) ) ) ) ) R2_scorey_test，y_predict ) ) ) ) ) ) ) ) R2 ) ) )0)0)0)