线性回归评价几个指标（MAE，MSE，RMSE，R^2，MAPE）

Python–线性回归评价指标实现

一、项目背景

（可不看）
最近在做非线性数据的数据预测，一头雾水，一年不学习，脑袋有问题。还记得上次做的数据是关于一个政务系统的热点问题分类模块，用了机器学习和深度学习啥的，满脸蒙，反正后面就是做完了（好多吐槽）。

现在做的是关于供应链模块的需求预测，简单说目前的运作流程是：客户需求–>营业人员经验修正–>客户需求生成。

面临问题：客户的需求不能保证准确性，营业人员出于保证出货而减少风险的考虑，修正的客户需求跟未来实际需求不一致，甚至多出十几倍。

修正办法：

1.参考单因素的房价预测
训练数据：历史客户需求和实际出货

2.参考时间序列分析的股价预测
训练数据：历史实际出货

这两部分的具体操作在这就不详细说明了，以后再更新（咕咕）

二、评价指标

今天，我们学习线性回归算法的评价指标——MAE（平均绝对误差）、MSE（均方误差）、RMSE（均方根误差）、R Square、MAPE（平均绝对百分比误差）。数据公式编者这里就不再提供了，简单介绍下每个的大概意思和Python用法估计就够了：（懒癌晚期）

1. MAE（平均绝对误差）： 绝对误差的平均值，能反映预测值误差的实际情况。取值越小，模型准确度度越高。

from sklearn.metrics import mean_absolute_