模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2

1.前言

有监督模型，主要分为两种，即分类、回归。
在回归任务中(对连续值的预测），常见的评估指标（metrics）主要包括：

• 平均绝对误差 MAE（Mean Absolute Error）；
• 均方误差 MSE（Mean Square Error）；
• 均方根误差 RMSE（Root Mean Square Error）；
• 平均绝对百分比误差 MAPE（Mean Absolute Percentage Error）。

其中，MAE 和 MSE 使用较为广泛。需要根据不同场景的不同评价指标进行选择。

通常，sklearn.metrics 中评估函数以 _score 结尾返回一个值，越大越好，而函数以 _error 或者 _loss 结尾则返回一个值，越小越好。

2.适用场景

回归模型行中，评估主要关注两个方面：拟合度、准确度。

• 拟合度，指我们的预测值，是否拟合了足够的信息。常用决定系数R2-score衡量。
• 准确度，指预测值与真实值之间的差异大小。常用均方误差(MSE)、均方根误差(RMSE)、平均绝对差(MAE)、平均绝对百分比误差(MAPE)来进行衡量。

注意：
1、决定系数和矫正决定系数都是基于均值进行计算，如果数据集中有异常点存在，会对该指标有较大的影响。也就是说，这两个指标对异常点较敏感，因此它们更适用于噪声较少的数据集。对于噪声较多的数据集可以考虑 M