机器学习：线性回归模型的评价方法 MSE, MAE, R2

1. MSE（mean_squared_error）：均方误差

mean_squared_error：均方差（Mean squared error，MSE），该指标计算的是拟合数据和原始数据对应样本点的误差的平方和的均值，其值越小说明拟合效果越好。

2. MAE（mean_absolute_error）：平均绝对误差 

mean_absolute_error：平均绝对误差（Mean Absolute Error，MAE），用于评估预测结果和真实数据集的接近程度的程度，其值越小说明拟合效果越好。

MSE、MAE思路是测试数据集中的点，距离模型的平均距离越小，该模型越精确（所以值越小说明拟合效果越好）。使用平均距离，而不是所有测试样本的距离和，因为距离和受样本数量的影响。

利用sklearn里面的merics模块导出函数，直接进行调用计算。如计算MSE。

# 得到模型的MSE（均方误差）
from sklearn.metrics import mean_squared_error
mse_score = mean_squared_error(y_test, y_pred)
print('简单线性回归模型的MSE是：%.2f' %(mse_score)) 

3. R2(R Squared) :判定系数，其含义是也是解释回归模型的方差得分，其值取值范围是[0,1]，越接近于1说明自变量越能解释因变量的方差变化，希望这个值越大越好，值越小则说明效果越差。R2是衡量线性回归法最好的指标。

from sklearn.metrics import r2_score #直接调用库函数进行输出R2
print(r2_score(y_test,y_predict))

1. R2 <= 1
2. R2越大越好，当自己的预测模型不犯任何错误时：R2 = 1
3. 当我们的模型等于基准模型时：R2 = 0
4. 如果R2 < 0，说明学习到的模型还不如基准模型。很可能数据不存在任何线性关系。