回归模型评估指标（MAE、MSE、RMSE、R²、MAPE）

1、平均绝对误差（Mean Absolute Error, MAE）：是绝对误差的平均值，可以更好地反映预测值误差的实际情况

def MAE(Y_real,Y_pre):#计算MAE
    from sklearn.metrics import mean_absolute_error
    return mean_absolute_error(Y_real,Y_pre)#Y_real为实际值，Y_pre为预测值

2、均方误差（Mean Square Error, MSE）：是真实值与预测值的差值的平方，然后求和的平均，一般用来检测模型的预测值和真实值之间的偏差

def MSE(Y_real,Y_pre):#计算MSE
    from sklearn.metrics import mean_squared_error
    return mean_squared_error(Y_real,Y_pre)#Y_real为实际值，Y_pre为预测值

3、均方根误差（Root Mean Square Error, RMSE）：即均方误差开根号，方均根偏移代表预测的值和观察到的值之差的样本标准差

def RMSE(Y_real,Y_pre):#计算RMSE
    from sklearn.metrics import mean_squared_error
    return np.sqrt(mean_squared_error(Y_real,Y_pre))#Y_real为实际值，Y_pre为预测值

4、R²(R squared, Coefficient of determination)：决定系数，反映的是模型拟合数据的准确程度，一般R² 的范围是0到1。其值越接近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

def R2(Y_real,Y_pre):#计算R²
    from sklearn.metrics import r2_score
    return r2_score(Y_real,Y_pre)#Y_real为实际值，Y_pre为预测值

 

 5、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）：理论上，MAPE 的值越小，说明预测模型拟合效果越好，具有更好的精确度

def MAPE(Y_real,Y_pre):#计算mape
    from sklearn.metrics import mean_absolute_percentage_error
    return mean_absolute_percentage_error(Y_real,Y_pre)#Y_real为实际值，Y_pre为预测值