PS：最近有用CNN處理回歸任務，想到分類下面有那么多的評價標准，回歸有哪些呢？ 故記錄一下！
本文參考： https://blog.csdn.net/shy19890510/article/details/79375062?utm_source=blogxgwz9
評價指標
SSE(誤差平方和)：The sum of squares due to error
R-square(決定系數)：Coefficient of determination
Adjusted R-square（校正決定系數）：Degree-of-freedom adjusted coefficient of determination
指標說明
SSE(誤差平方和)
計算公式：
優點：
同樣的數據集的情況下，SSE越小，誤差越小，模型效果越好
缺點：
SSE數值大小本身沒有意義，隨着樣本增加，SSE必然增加，也就是說，不同的數據集的情況下，SSE比較沒有意義。
R-square(決定系數)
計算公式：
優點：
1.數學理解：分母理解為原始數據的離散程度，分子為預測數據和原始數據的誤差，二者相除可以消除原始數據離散程度的影響
2.其實“決定系數”是通過數據的變化來表征一個擬合的好壞。
3.理論上取值范圍（-∞，1], 正常取值范圍為[0 1] ------實際操作中通常會選擇擬合較好的曲線計算R²，因此很少出現-∞
越接近1，表明方程的變量對y的解釋能力越強，這個模型對數據擬合的也較好；
越接近0，表明模型擬合的越差；
經驗值：>0.4， 擬合效果好。
缺點：
數據集的樣本越大，R²越大，因此，不同數據集的模型結果比較會有一定的誤差。
Adjusted R-Square (校正決定系數）
計算公式：
n為樣本數量，p為特征數量。
優點：
消除了樣本數量和特征數量的影響。
缺點：
計算量問題。