回归模型评价
评价回归模型的好坏
回归的有：RMSE(平方根误差)、MAE（平均绝对误差）、MSE(平均平方误差)、Coefficient of determination (决定系数)
均方误差(MSE)
MSE(Mean Squated Error)叫做均方误差。公式如下图：
直接用 真实值-预测值 然后平方之后求和平均。
均方根误差（RMSE）
RMSE（Root Mean Squard Error）均方根误差。
直接用MSE开个根号。其实实质是一样的。可能对于数据能更好的描述。
平均绝对误差(MAE)
误差平方和(SSE)
公式：
同样的数据集的情况下，SSE越小，误差越小，模型效果越好
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
决定系数(R-square)
公式：
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
其实“决定系数”是通过数据的变化来表征一个拟合的好坏。
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