最近做一個算法，直接算法中就計算了一個叫做RMSE的值，開始出來我以爲是準確率，類似於，clf.score，後來想想好像不對，所以就看來一些文章來研究了一下這些的含義。
預測值和真值相差的平方和是SSE,也就是誤差平方和，這肯定是越小越好了，相當於一個誤差累計。當然這個SSE越接近於0越好。
但是，如果說10000的樣本的情況，建立一個A模型，這個模型的SSE是100，100個樣本的情況下，建立一個B模型，這個模型的SSE是80。但是不能說B模型比A模型好。所以就引入了MSE。
MSE就是均方誤差，SSE除以樣本量，平均的預測的值和真值差的平方，平均到每一個預測的Y
MSE的值在量綱上是平方，爲了是這個量綱一致，所以對MSE開方就是RMSE，也就是均方根。
解釋R2之前要解釋一些SST和SSR
SSR表示的是預測值和原始值得均值差得平方和
SST表示得是原始數據和均值的差的平方和
所以R2，也就是R-square，可以經過公式推導得出SST=SSE+SSR
其實我們將R2寫開
還可以這樣表示。R2的範圍在0-1之間，越接近1，表示越好，一般衡量線性迴歸最好的指標應該就是R2，通常表示模型你好的好壞。對R2開根號，就是R，也就是相關係數，也是越近1越好。
上面計算真值和預測值之間的誤差都是做差求平方和，如果將平方和換成取絕對值，也就是MAE,RMAE,也就是不是square，變爲absolute.