大家都知道，机器学习无非就是分类和回归，回归需要用到哪些评价指标呢，以及如何看这些评价指标？以下是对全网几篇文章部分的截取，由于文章较为分散，篇幅也不长，就不贴引用了，作者见谅。
1.R Square介绍以及为什么好
分类准确率，就是在01之间取值。但RMSE和MAE没有这样的性质，得到的误差。因此RMSE和MAE就有这样的局限性，比如我们在预测波士顿方差，RMSE值是4.9（万美元） 我们再去预测身高，可能得到的误差是10（厘米），我们不能说后者比前者更准确，因为二者的量纲根本就不是一类东西。
其实这种局限性，可以被解决。用一个新的指标R Squared。
R方这个指标为什么好呢？
对于分子来说，预测值和真实值之差的平方和，即使用我们的模型预测产生的错误。
对于分母来说，是均值和真实值之差的平方和，即认为“预测值=样本均值”这个模型（Baseline Model）所产生的错误。
我们使用Baseline模型产生的错误较多，我们使用自己的模型错误较少。 因此用1减去较少的错误除以较多的错误，实际上是衡量了我们的模型拟合住数据的地方，即没有产生错误的相应指标。
我们根据上述分析，可以得到如下结论：
R^2 <= 1
R 2越大也好，越大说明减数的分子小，错误率低；当我们预测模型不犯任何错误时，R2最大值1
当我们的模型等于基准模型时，R^2 = 0
如果R^2 < 0，说明我们学习到的模型还不如基准模型。此时，很有可能我们的数据不存在任何线性关系。
总结
①、R 2 R^2R 2
小于等于1，可能取负数。
②、R 2 R^2R 2
越大模型拟合度越高。值在[0.5,0.7)区间说明模型很好，值在[0.7,0.96)区间说明模型非常好，值大于等于0.96需要考虑模型是否过拟合。
③、R 2 R^2R2
小于0，说明模型很糟糕，连’瞎猜’的效果都不如。
下列哪些指标可以用来评估线性回归模型（多选）？
A. R-Squared
B. Adjusted R-Squared
C. F Statistics
D. RMSE / MSE / MAE
答案：ABCD
解析：R-Squared 和 Adjusted R-Squared 都可以用来评估线性回归模型。
F Statistics 是指在零假设成立的情况下，符合F分布的统计量，多用于计量统计学中。
RMSE 指的是均方根误差：
MSE 指的是均方误差：
MAE 指的是评价绝对误差：
以上指标都可以用来评估线性回归模型。
