1. 均方误差MSE

• 回归数据和原始数据误差的平方和/原始数据个数
• 平方的原因：不平方正负误差会抵消，对大误差更为敏感，在一些场景下更能凸显出模型预测的不准确性
• 越接近于0，模型预测能力越强
  

2. 均方根误差RMSE

• MSE开根号
• 越接近与0，模型的预测能力越强
  

3. 平均绝对误差MAE

• MSE的平方换成绝对值，也是不绝对值正负误差会抵消
• MAE越小，模型预测精度越高，对较大误差不如MSE 敏感
• MAE可以准确反映实际预测误差的大小

4. R²

• TSS:样本点和均值间的差异性（数据集中数的分散程度）
• RSS:和拟合数据间的差异性
• R² = 1- RSS/TSS
• 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. 调整后R²

https://www.bilibili.com/video/BV1wi4y157Tt/?vd_source=f8471cd815546af5608f92c27e8247c2