分類問題的評價指標是準確率，那么回歸算法的評價指標就是MSE，RMSE，MAE、R-Squared。下面一一介紹

1、MSE（Mean Squared Error）均方誤差

這里的y是測試集上的。

用 真實值-預測值 然后平方之后求和平均。

猛著看一下這個公式是不是覺得眼熟，這不就是線性回歸的損失函數(shù)嘛?。。?對，在線性回歸的時候我們的目的就是讓這個損失函數(shù)最小。那么模型做出來了，我們把損失函數(shù)丟到測試集上去看看損失值不就好了嘛。簡單直觀暴力！

y_preditc=reg.predict(x_test) #reg是訓練好的模型
mse_test=np.sum((y_preditc-y_test)**2)/len(y_test) #跟數(shù)學公式一樣的

2、RMSE（Root Mean Squared Error）均方根誤差

這不就是MSE開個根號么。有意義么？其實實質(zhì)是一樣的。只不過用于數(shù)據(jù)更好的描述。
例如：要做房價預測，每平方是萬元（真貴），我們預測結果也是萬元。那么差值的平方單位應該是 千萬級別的。那我們不太好描述自己做的模型效果。怎么說呢？我們的模型誤差是 多少千萬？。。。。。。于是干脆就開個根號就好了。我們誤差的結果就跟我們數(shù)據(jù)是一個級別的，在描述模型的時候就說，我們模型的誤差是多少萬元。

rmse_test=mse_test ** 0.5

3、MAE （Mean absolute Error）平均絕對誤差

mae_test=np.sum(np.absolute(y_preditc-y_test))/len(y_test)

4、R-Squared

上面的幾種衡量標準針對不同的模型會有不同的值。比如說預測房價 那么誤差單位就是萬元。數(shù)子可能是3，4，5之類的。那么預測身高就可能是0.1，0.6之類的。沒有什么可讀性，到底多少才算好呢？不知道，那要根據(jù)模型的應用場景來。
看看分類算法的衡量標準就是正確率，而正確率又在0～1之間，最高百分之百。最低0。如果是負數(shù)，則考慮非線性相關。很直觀，而且不同模型一樣的。那么線性回歸有沒有這樣的衡量標準呢？答案是有的。
那就是R Squared也就R方

1- mean_squared_error(y_test,y_preditc)/ np.var(y_test)

?

Scikit-learn中的各種衡量指標

from sklearn.metrics import mean_squared_error #均方誤差
from sklearn.metrics import mean_absolute_error #平方絕對誤差
from sklearn.metrics import r2_score#R square
#調(diào)用
mean_squared_error(y_test,y_predict)
mean_absolute_error(y_test,y_predict)
r2_score(y_test,y_predict)

參考文獻：

【1】回歸評價指標MSE、RMSE、MAE、R-Squared

【2】回歸模型的幾個評價指標

?