星期英文回归评价指标：MSE、RMSE、MAE、R2、AdjustedR2
我们通常采⽤MSE、RMSE、MAE、R2来评价回归预测算法。
1、均⽅误差：MSE（Mean Squared Error）
其中，为测试集上真实值-预测值。
不知不觉英文2、均⽅根误差：RMSE（Root Mean Squard Error）
可以看出，RMSE=sqrt（MSE）。
3、平均绝对误差：MAE（Mean Absolute Error）
以上各指标，根据不同业务，会有不同的值⼤⼩，不具有可读性，因此还可以使⽤以下⽅式进⾏评测。
4、决定系数：R2（R-Square）
欧美歌曲>promi的用法
其中，分⼦部分表⽰真实值与预测值的平⽅差之和，类似于均⽅差 MSE；分母部分表⽰真实值与均值的平⽅差之和，类似于⽅差 Var。
根据 R-Squared 的取值，来判断模型的好坏，其取值范围为[0,1]：
rbg
如果结果是 0，说明模型拟合效果很差；
vattenfall
如果结果是 1，说明模型⽆错误。
⼀般来说，R-Squared 越⼤，表⽰模型拟合效果越好。R-Squared 反映的是⼤概有多准，因为，随着样本数量的增加，R-Square必然增加，⽆法真正定量说明准确程度，只能⼤概定量。
bridle5、校正决定系数（Adjusted R-Square）
其中，n 是样本数量，p 是特征数量。
Adjusted R-Square 抵消样本数量对 R-Square的影响，做到了真正的 0~1，越⼤越好。
python中可以直接调⽤sheltered
ics import mean_squared_error #均⽅误差ics import mean_absolute_error #平⽅绝对误差ics import r2_score#R square
#调⽤
MSE：mean_squared_error(y_test,y_predict)
RMSE:np.sqrt(mean_squared_error(y_test,y_predict))
MAE：mean_absolute_error(y_test,y_predict)
kangaroo
R2：r2_score(y_test,y_predict)
Adjusted_R2：:1-((1-r2_score(y_test,y_predict))*(n-1))/(n-p-1)
>football
