线性回归算法评估指标MSE、RMSE、MAE、R方
如何评价一个线性回归模型的好坏，常见的评价指标有四种，均方误差（Mean Squared Error）、均方根误差（Root Mean Squared Error）、平均绝对值误差（Mean Absolute Error）以及R Squared。
均方误差（MSE）
实际值减预测值的平方和除以预测样本大小，使得其与测试样本大小无关。
1 | mean_squared_error = np.sum((y_true-y_predict)**2) / len(y_predict) |
均方根误差（RMSE）
我们对式子加了一个平方。但这可能会导致量纲的问题，如房子价格为万元，平方后就成了万元的平方，对MSE开方，使量纲相同。
RMSE值越小，模型的预测性能越好。
1 | root_mean_squared_error = sqrt(mean_squared_error) |
平均绝对值误差（MAE）
MSE与RMSE的区别仅在于对量纲是否敏感，因此又得出新方法，通过加绝对值，量纲相同。
1 | mean_absolute_error = np.sum(np.absolute(y_true - y_predict)) / len(y_true) |
R方（R Squared）
对于上述的衡量方法，如RMSE和MAE还是有问题的，还是因为量纲不一样。比如我们预测考试分数误差是10，预测房价误差是1w。但我们却不能评价我们的模型是更适合预测分数还是预测房价。
R2<=1，R2越大预测模型越好，最大值为1，当R2为0时预测模型等于基准模型，当R2<0时说明预测模型还不如基准模型，也可能数据不存在线性关系。
1 | r_squared = 1 - mean_squared_error / np.var(y_true) |
