sklearn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')
y_true:数据标签值
 
y_pred:数据预测值
 
注意：y_true和y_pred要是数组，且形状一样
                                    R2决定系数的取值范围为[0,1]，当R2为1时，表示模型完美预测了数据；当R2为0时，表示模型无法解释数据方差。在实际应用中，R2决定系数通常用于比较不同模型的表现，取值越接近1，表示模型解释的数据方差越多，表现越好。假设有n个样本，真实值分别为y₁, y₂, ……, yₙ，预测值分别为ŷ₁, ŷ₂, ……它表示模型能够解释数据方差的比例，通常用于比较不同模型的表现。我们希望得到模型的解释方差，即预测值能够解释的数据方差。其中，yᵢ - ŷᵢ为第i个样本的残差，表示预测值与真实值之间的差。
                                    摘要：【机器学习12】线性回归算法评价指标：MSE、RMSE、R2_score。上一篇文章我们介绍了简单的一元线性回归算法，今天介绍评价线性回归效果好坏的几个重要指标。P...
                                    在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。
                                    要解决机器学习回归模型的R2低，可以尝试以下几种方法：1. 增加训练数据的数量和质量；2. 改变模型的结构，增加模型的复杂度；3. 改变训练方法，使用更高级的算法；4. 调整正则化参数，防止模型过拟合；5. 特征工程，挖掘更多有效的特征。
                                    随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容之过拟合和欠拟合。对同一个算法复杂化。例如回归模型添加更多的高次项，增加决策树的深度，增加神经网络的隐藏层数和隐藏单元数等
弃用原来的算法，使用一个更加复杂的算法或模型。例如用神经网络来替代线性回归，用随机森林来代替决策树等特征挖掘十分重要，尤其是具有强表达能力的特征，往往可以抵过大量的弱表达能力的特征。
特征的数量往往并非重点，质量才是，总之强特最重要。
能否挖掘出强特，还在于对数据本身以及具体
SSE(和方差，误差平方和) ：The sum of squares due to error
MSE(均方差，方差)：Mean squared error
RMSE(均方根，标准差)：Root mean squared error
R-square(确定系数)：Coefficient of determination（主要用R方来做评估）
1.SSE(和方差)
该统计参数计算的是拟合数据和原始数据对应点的误差的平方和，计算公式如下：
SSE越接近于0，说明
                                    ML之ME/LF：机器学习中回归预测模型评估指标之“调整确定系数R2”的简介、代码实现之详细攻略目录回归预测模型中常用的评估指标“调整确定系数R2*”的简介1、R²的缺点——调整确定系数Adjusted R2(R2*)的引入2、R²和R2*的对比3、调整确定系数R2的使用方法回归预测模型中常用的评估指标“调整的R2”的代码实现          R²表示回归平方和与总离差平方和的比值，这一比值越大，表示总离差平方和中可以由回归平方和解释的比例越大，模型越精确，回归效果越显著。R²∈[0~1]，越接近1，回归
由于我是在预测数据集上进行计算，所以产生了R2是用在训练数据集还是预测数据集上的困惑。
首先，在训练数据集上，R2应该是（我的理解，可能不太对，望指正）用来衡量线性模型在训练数据集上的拟合程度，这时候SST=SSE+SSR（具体推到可知乎或者其他博客查看），所以0<R2&lt