机器学习中的评价指标

1.MSE（mean squared error）

叫做均方误差，又称L2损失。取平方有一个特性，它惩罚更大的错误更多（毕竟都取平方了）。方差一般用来计算样本的离散程度，而均方误差则可以用做衡量模型拟合的一个度量。
使用情况
（1）在回归树中，MSE不只是我们的分枝质量衡量指标，也是我们最常用的衡量回归树回归质量的指标。
（2）sklearn中的交叉验证

2.MAE（mean absolute error）

绝对平均误差MAE（mean absolute error），又叫做最小化L1损失。计算原理为真实值与预测值的差值的绝对值然后求和再平均。

3.R平方

其中u是残差平方和（MSE * N），v是总平方和，N是样本数量，i是每一个数据样本，fi是模型回归出的数值，yi是样本点i实际的数值标签。y帽是真实数值标签的平均数。

R平方可以为正为负（如果模型的残差平方和远远大于模型的总平方和，模型非常糟糕，R平方就会为负）。R平方越大，预测效果越好。

使用情况
（1）回归树的接口score返回的是R平方，并不是MSE。

4.friedman_mse（费尔德曼均方误差）

5.方差&标准差

方差是衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。

简单来说，标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。

其中，（x上面横线）指数据的平均数。

例如，两组数的集合{0,5,9,14}和{5,6,8,9}其平均值都是7，但第二个集合具有较小的标准差。

来自百度百科。

参考链接：
https://blog.csdn.net/chuixue24/article/details/125389030
https://zhuanlan.zhihu.com/p/83410946
https://blog.csdn.net/chenjiayicjy/article/details/116423089