其中，分子部分表示真实值与预测值的平方差之和，类似于均方差 MSE；分母部分表示真实值与均值的平方差之和，类似于方差 Var。

根据 R-Squared 的取值，来判断模型的好坏，其取值范围为[0,1]：

如果结果是 0，说明模型拟合效果很差；

如果结果是 1，说明模型无错误。

一般来说，R-Squared 越大，表示模型拟合效果越好。R-Squared 反映的是大概有多准，因为，随着样本数量的增加，R-Square必然增加，无法真正定量说明准确程度，只能大概定量。

5、校正决定系数（Adjusted R-Square）

其中，n 是样本数量，p 是特征数量。

Adjusted R-Square 抵消样本数量对 R-Square的影响，做到了真正的 0~1，越大越好。

python中可以直接调用

from sklearn.metrics import mean_squared_error #均方误差
from sklearn.metrics import mean_absolute_error #平方绝对误差
from sklearn.metrics import r2_score#R square
MSE：mean_squared_error(y_test,y_predict)
RMSE:np.sqrt(mean_squared_error(y_test,y_predict))
MAE：mean_absolute_error(y_test,y_predict)
R2：r2_score(y_test,y_predict)
Adjusted_R2：:1-((1-r2_score(y_test,y_predict))*(n-1))/(n-p-1)
误差越大，该值越大。
SSE(和方差)与MSE之间差一个系数n，即SSE = n * MSE，二者效果相同。
3.均方根误差（Root Mean Square Error, RMSE）
是MSE的算数平均根
误差越大，该值越大。
4.平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）
注意：当真实值有数据等
误差越大，该值越大。
SSE(和方差)与MSE之间差一个系数n，即SSE = n * MSE，二者效果相同。
3.均方根误差（Root Mean Square Error, RMSE）
是MSE的算数平均根
误差越大，该值越大。
4.平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）
注意：当真实值有数据等
                                    做回归分析，常用的误差主要有均方误差根（RMSE）和R-平方（R2）。RMSE是预测值与真实值的误差平方根的均值。这种度量方法很流行（Netflix机器学习比赛的评价方法），是一种定量的权衡方法。 
””’ 均方误差根 ”’ 
 过拟合加入L1正则化和L2正则化，岭回归
                                    回归分析为许多机器学习算法提供了坚实的基础。在这篇文章中，我们将总结 10 个重要的回归问题和5个重要的回归问题的评价指标。线性回归有四个假设残差是指预测值与观测值之间的误差。它测量数据点与回归线的距离。它是通过从观察值中减去预测值的计算机。残差图是评估回归模型的好方法。它是一个图表，在垂直轴上显示所有残差，在 x 轴上显示特征。如果数据点随机散布在没有图案的线上，那么线性回归模型非常适合数据，否则我们应该使用非线性模型。两者都是回归问题的类型。两者的区别在于他们训练的数据。线性回归模型假设特征和标签之间存