數據建模的目的就是獲得從自變量映射到因變量的函數，在建模的探索過程中，不同的方式總會得出不同的函數模型，而這些函數大多是由一些參數構成的，比如 y = f（ x; w0, w1, w2, w3, ...）。
平方損失函數
爲了選擇在某種方式下最好的參數值（ w0, w1, w2, w3, ...的值），這個衡量方法一般是比較原始數據與模型的預測數據之間的平方差，平方差定義爲：
（y（原始）-y（預測））**2 = （y（原始）- f（ x; w0, w1, w2, w3, ...））**2
這個數值越小，說明模型的預測值越接近原始值，也就代表模型越好。上述表達式也稱爲平方損失函數，這裏，我們用 L()表示。
絕對損失函數
平方損失是非常常見的選擇，其他的損失函數比較適合迴歸，比如另一個常見的是絕對損失函數。
| y（原始）-y（預測）| = | y（原始）- f（ x; w0, w1, w2, w3, ...）|
準確率
用準確率判斷模型好壞比較適合分類問題，即因變量是固定的幾個值，比如自變量是0或1的二分類問題。準確率就是看模型分類的結果與原始數據中的分類結果相同的佔比。
準確率 = S（模型與原始數據的分類結果一致） / S（該分類下的所有數據量）
下面是python代碼示例：
y32 = lr.predict(x3)#用檢驗集x3的數據通過模型進行預測,結果儲存在變量y32中。
print(u'模型的平均準確率（檢驗集）爲：%s'% lr.score(x3, y3))
print(u'模型的平均準確率（檢驗集，y=0）爲：%s'% (sum(y32[i] == 0 for i,v in enumerate(y3) if v == 0) / sum(1 for i,v in enumerate(y3) if v == 0)))
print(u'模型的平均準確率（檢驗集，y=1）爲：%s'% (sum(y32[i] == 1 for i,v in enumerate(y3) if v == 1) / sum(1 for i,v in enumerate(y3) if v == 1)))