文章目录
拟合优度/R-Squared校正决定系数(Adjusted R-square)均方误差（MSE）均方根误差（RMSE）误差平方和(SSE)：The sum of squares due to error平均绝对误差（MAE）平均绝对百分比误差(MAPE)代码对于回归模型效果的判断指标经过了几个过程，从SSE到R-square再到Ajusted R-square, 是一个完善的过程。
拟合优度/R-Squared
拟合优度（Goodness of Fit）是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（Coefficient of Determination）R²。可决系数，亦称测定系数、确定系数、决定系数、可决指数。
对于m个样本(x1→,y1),(x2→,y2),⋯,(xm→,ym)(\overrightarrow{x_{1}},y_{1}),(\overrightarrow{x_{2}},y_{2}),\cdots ,(\overrightarrow{x_{m}},y_{m})(x1,y1),(x2,y2),⋯,(xm,ym) ，
某模型的估计值为(x1→,y^1),(x2→,y^2),⋯,(xm→,y^m)(\overrightarrow{x_{1}},\widehat{y}_{1}),(\overrightarrow{x_{2}},\widehat{y}_{2}),\cdots ,(\overrightarrow{x_{m}},\widehat{y}_{m})(x1,y1),(x2,y2),⋯,(xm,ym)
计算样本的总平方和TSS(Total Sum of Squares)：
TSS=∑i=1m(yi−y‾)2TSS=\sum_{i=1}^{m}(y_{i}-\overline{y})^{2} TSS=i=1∑m(yi−y)2
即样本伪方差的m倍Var(Y)=TSS/mVar(Y)=TSS/mVar(Y)=TSS/m
计算残差平方和RSS(Residual Sum of Squares)：
RSS=∑i=1m(yi^−yi)2RSS=\sum_{i=1}^{m}(\widehat{y_{i}}-y_{i})^{2} RSS=i=1∑m(yi−yi)2
注：RSS即误差平方和SSE(Sum of Squares Error)。
定义R2=1−RSS/TSSR^{2}=1-RSS/TSSR2=1−RSS/TSS
注：R2R^{2}R2越大，拟合效果越好。R2R^{2}R2的最优值为1，若模型预测为随机值，R2R^{2}R2有可能为负值。若预测值恒为样本期望，R2R^{2}R2为0。理论上取值范围（-∞，1],正常取值范围为[0 1]。实际操作中通常会选择拟合较好的曲线计算R²，因此很少出现-∞。越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好。越接近0，表明模型拟合的越差。经验值：>0.4， 拟合效果好。
数学理解：如果只用分子当做评价指标，存在两个缺点：1、样本数据在100左右的数据集和样本在1000左右的数据集的评价指标没有可比性。2、对离散值的影响比较大。但是除上分母之后可以有效解决这两个缺点。分母理解为原始数据的离散程度，分子为预测数据和原始数据的误差，二者相除可以消除原始数据离散程度的影响。
缺点：数据集的样本越大，R²越大，因此，不同数据集的模型结果比较会有一定的误差。
校正决定系数(Adjusted R-square)
Adjusted R-square：Degree-of-freedom adjusted coefficient of determination。
n为样本数量，p为特征数量
消除了样本数量和特征数量的影响。
均方误差（MSE）
MSE （Mean Squared Error）叫做均方误差，真实值-预测值 然后平方之后求和平均，衡量观测值与真实值之间的偏差。
均方根误差（RMSE）
RMSE（Root Mean Squard Error）均方根误差，RMSE其实是MSE开根号，两者实质一样，但RMSE能更好的描述数据。因为MSE单位量级和误差的量级不一样，而RMSE跟数据是一个级别的，级别一样更容易去感知数据。
缺点：易受异常值的影响。
误差平方和(SSE)：The sum of squares due to error
特点：同样的数据集的情况下，SSE越小，误差越小，模型效果越好。
缺点：SSE数值大小本身没有意义，随着样本增加，SSE必然增加，也就是说，不同的数据集的情况下，SSE比较没有意义。
平均绝对误差（MAE）
MAE（Mean Absolute Error）平均绝对误差
平均绝对百分比误差(MAPE)
平均绝对百分比误差（Mean Absolute Percentage Error），与RMSE相比，更加鲁棒，因为MAPE对每个点的误差进行了归一化。
代码
scikit-learn中的各种衡量指标
from sklearn.metrics import mean_squared_error #均方误差from sklearn.metrics import mean_absolute_error #平方绝对误差from sklearn.metrics import r2_score#R square#调用mean_squared_error(y_test,y_predict)mean_absolute_error(y_test,y_predict)r2_score(y_test,y_predict)
手写各种衡量指标
# MSEy_preditc=reg.predict(x_test) #reg是训练好的模型mse_test=np.sum((y_preditc-y_test)**2)/len(y_test) #跟数学公式一样的# RMSErmse_test=mse_test ** 0.5# MAEmae_test=np.sum(np.absolute(y_preditc-y_test))/len(y_test)# R Squared1- mean_squared_error(y_test,y_preditc)/ np.var(y_test)
参考：/guolindonggld/article/details/87856780
