回归模型怎么评估？MSE、MAE、RMSE和R²
上篇我们搞定了分类模型的评估，学会了用准确率、精确率、召回率来判断"分对了没有"。
但你很快会遇到新问题：股价预测、房价估计、销量预测……这些没有固定选项的任务，模型预测的是具体数字，怎么评价它预测得准不准？
这就要聊回归模型的评估了。
为什么需要评估指标？
模型训练的本质，是让预测值尽量逼近真实值。
但"逼近"是个主观感受。我说模型预测很准，你说一般般，谁也说服不了谁。
这时候就需要一把"尺子"——评估指标。它把预测误差量化成具体数字，让不同模型之间能一分高下。
类比一下。老师批卷，没有分数就不知道学生学得好不好；模型训练，没有评估指标就不知道模型预测得准不准。
回归问题里，常用的"尺子"有四把：MAE、MSE、RMSE、R²。它们各有各的性格，适用的场景也不同。
MAE——最直观的平均误差
先说最简单的一把"尺子"：MAE，中文叫平均绝对误差。
它的计算方法很朴素：把所有预测误差的绝对值加起来，再除以样本数量。
什么是预测误差？预测值减去真实值的差。
举例。你预测明天股价是100块，实际是108块，误差是-8块。取绝对值就是8块。
把所有样本的误差加起来求平均，就是MAE。它回答的问题是：平均来说，预测值差真实值多少？
MAE最大的优点是对异常值不敏感。
什么意思？假设股价预测，大部分样本误差在5块以内，但有一个异常样本误差了100块。MAE只是把100取绝对值后加进去，不会有剧烈波动。
这让它很稳健，适合那些数据不太干净、偶尔会有离谱数据的场景。
MSE和RMSE——对大误差"零容忍"
但有时候，你不想让异常值蒙混过关。
比如做金融风控，你不在乎预测错了一两个小金额，但你非常在乎预测错了大金额——差10万和差100万不是差10倍，是差10万倍的损失。
这时候就需要MSE这把更严格的"尺子"。
MSE，中文叫均方误差。它的公式是：所有预测误差平方的平均值。
注意是平方，不是绝对值。
这意味着什么？误差是10，平方后是100；误差是100，平方后是10000。
惩罚不是线性的，而是指数级的。差10块和差100块，在MSE眼里不是10倍差距，是100倍差距。
RMSE又是什么？它是MSE的平方根。
为什么多此一举？因为MSE的单位是平方之后的单位，不太好理解。比如预测房价，MSE的单位是"平方万元"，鬼知道什么意思。
开方之后，单位恢复正常，解释起来就容易多了。
所以总结一下：如果你更关心大误差，选MSE或RMSE；如果你想要稳健、不被异常值带偏，选MAE。
R²——这个模型到底好不好？
前面两个指标都是看"误差有多大"。R²不一样，它看的是"模型有没有用"。
R²，中文叫决定系数。它的公式稍微复杂一点：
R² = 1 - (预测误差平方和 / 真实值方差之和)
听起来很抽象？换个说法。
如果没有模型，只用均值预测，总误差是"真实值围绕均值的波动"。这是基准线。
用了模型之后，误差变成了"预测值偏离真实值的波动"。
R²衡量的是：模型消除了多少基准线的波动？
如果R²=0.8，意思是模型解释了80%的数据变异。剩下20%还是预测不准。
如果R²=1，完美模型，预测值和真实值完全一致。
如果R²=0，跟用均值预测差不多，模型白训练了。
如果R²<0？恭喜你，模型比用均值预测还差，不如扔掉换个模型。
一图对比——四大指标怎么选？
说了这么多，来个总结。选指标就像选手机：有人注重拍照，有人注重续航，没有绝对的好坏，只有适不适合。
| 指标 | 异常值敏感度 | 单位 | 可解释性 | 适用场景 |
|---|---|---|---|---|
| MAE | 低（稳健） | 与原始数据一致 | 高 | 数据有噪声、想要稳健预测 |
| MSE | 高（惩罚大） | 平方后的单位 | 中 | 重视大误差、异常检测 |
| RMSE | 高（惩罚大） | 与原始数据一致 | 高 | 需要可解释的大误差惩罚 |
| R² | 间接影响 | 无单位 | 高 | 评估模型整体效果 |
选哪个？先问自己三个问题：
第一，我是更怕小错误还是大错误？小错误选MAE，大错误选MSE/RMSE。
第二，数据里有没有异常值？没有选MSE/RMSE，有选MAE。
第三，我想知道模型"有没有用"吗？想就加上R²。
sklearn实战——一行代码搞定评估
光说不练假把式。来看看实际代码怎么用。
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
# 假设你有真实值和预测值
y_true = [100, 110, 105, 108]
y_pred = [98, 115, 102, 106]
# 计算四个指标
mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
rmse = np.sqrt(mse) # sklearn没有直接算RMSE的函数，手动开方
r2 = r2_score(y_true, y_pred)
print(f"MAE: {mae:.2f}") # 平均误差
print(f"MSE: {mse:.2f}") # 均方误差
print(f"RMSE: {rmse:.2f}") # 均方根误差
print(f"R²: {r2:.2f}") # 决定系数有个小技巧：sklearn的函数命名规律。
以score结尾的函数，返回越大越好的值，比如R²。
以error或loss结尾的函数，返回越小越好的值，比如MAE、MSE。
记住这个规律，就不会搞混了。
写在最后
今天聊了回归模型的四把"尺子"：MAE、MSE、RMSE、R²。
它们不是非此即彼的关系。实战中建议同时计算多个指标，从不同角度看模型表现。
下次训练完回归模型，别只看一个数字就下结论。把四个指标都跑一遍，你会发现模型在不同维度上的表现差异，这些信息往往是优化的关键。
回归模型评估搞定了，那最基础的回归模型长什么样？下篇我们就来聊两个老祖宗级别的算法——线性回归和逻辑回归。它们虽然简单，但很多复杂模型都是建立在它们之上的。