回归问题评价函数
序
本次记录如下：
RMSE、MAE、MAPE、R-Square
RMSE
（均方根误差）
均方根误差是用来衡量观测值同真值之间的偏差，其计算方式类似于L2范数，因此RMSE对异常值较为敏感，因此该损失函数会对噪声点赋予给高的权重，也就是要牺牲一些正常点的预测精度。
MAE
（平均绝对误差）
其计算方式类似于L1范数，更好地反应预测值误差的真实情况，也就是反映了模型的准确性
MAE相对于RMSE或是MSE来说，更偏向预测那些正常点，也就是变化幅度不大的点，因此在有噪声数据干扰的情况下，可选用MAE。
使用MAE损失（特别是对于神经网络）的一个大问题是它的梯度始终是相同的，这意味着即使对于小的损失值，其梯度也是大的。这对模型的学习可不好。为了解决这个问题，我们可以使用随着接近最小值而减小的动态学习率。
MAPE
（平均绝对百分误差）
MAPE不仅考虑了真实值与预测值之间的误差，同时考虑了误差与真实值之间的比例，也就是很好地评价了模型的稳定性。
例如0.5预测为1，5.0预测为4.5，这两个之间的差距是跟大的，不单单是都只相差0.5
因此，对于不同区域的不同时间段，其base值不同，mape指标较好地刻画了模型对于不同区域不同时段的预测稳定性。
R-Square
利用数据拟合一个模型，你的模型肯定是存在误差的，那么回归方程对观测值拟合的怎么样，就叫做拟合优度，这里的R-square，就是度量拟合优度的一个统计量，即常说的r方，它叫做可决系数，它的计算方法为：
看这个式子式用1减去y对回归方程的方差（未解释离差）与y的总方差的比值，y减去y尖也就是残差，是拟合方程中不能解释的部分，用1减去不能解释的部分，那么剩下的就是解释的部分，也就是说自变量解释了因变量变动的百分比的多少，那么r方的值肯定是越大越好，意味着该模型把y的变动解释得好，R方的范围显然是0到1，在预测实践中，人们往往采纳R方最高的模型。如果结果是 0，说明模型拟合效果很差；如果结果是 1，说明模型无错误。一般来说，R-Squared 越大，表示模型拟合效果越好。R-Squared 反映的是大概有多准，因为，随着样本数量的增加，R-Square必然增加，无法真正定量说明准确程度，只能大概定量。
除此之外，拟合优度还有另一个测定指标是相关系数，相关系数的公式：
相关系数有正负，正意味着因变量随自变量递增，拟合直线从左到右上升，反之意味着递减，从左到右下降。相关系数的意义不像可决系数那样明显，但也有类似的意义，与可决系数同理，它越接近于+1或者-1，拟合程度越好。
对比
直观来说，我们可以像这样考虑：对所有的观测数据，如果我们只给一个预测结果来最小化MSE，那么该预测值应该是所有目标值的均值。但是如果我们试图最小化MAE，那么这个预测就是所有目标值的中位数。我们知道中位数对于离群点比平均值更鲁棒，这使得MAE比MSE更加鲁棒。
如果离群点是会影响业务、而且是应该被检测到的异常值，那么我们应该使用MSE。另一方面，如果我们认为离群点仅仅代表数据损坏，那么我们应该选择MAE作为损失。
