回归模型有哪些评估指标？MAE、MSE、RMSE、R² 怎么选？
简化版
回归预测连续值，常用指标：MAE（平均绝对误差）= 误差绝对值的平均，单位和目标一致、易解释、对离群点稳健；MSE（均方误差）= 误差平方的平均，平方会放大大误差、对离群点敏感，是很多模型的优化目标；RMSE（均方根误差）= √MSE，把单位拉回和目标一致、便于解释，同样对离群点敏感；R²（决定系数）= 1 − 残差平方和/总平方和，衡量「模型比『只用均值预测』好多少」，取值一般 (-∞, 1]，越接近 1 越好、0 表示和瞎猜均值一样。选择：要稳健抗离群用 MAE，要惩罚大误差用 MSE/RMSE，要看整体拟合优度用 R²、便于跨数据集比较。
详细版
主要指标：
| 指标 | 公式 | 特点 |
|---|---|---|
| MAE | `(1/n)Σ | yᵢ-ŷᵢ |
| MSE | (1/n)Σ(yᵢ-ŷᵢ)² | 平方放大大误差、对离群点敏感 |
| RMSE | √MSE | 单位同目标、对离群点敏感 |
| R²（决定系数） | 1 - SS_res/SS_tot | 拟合优度，≤1，越大越好 |
| MAPE | `(1/n)Σ | (yᵢ-ŷᵢ)/yᵢ |
MAE vs MSE/RMSE 核心区别：
- MAE 对每个误差线性对待——离群点不会被特别放大，稳健。
- MSE/RMSE 对误差平方——大误差被放大得更厉害，对离群点敏感（一个大错主导指标）。
R²：
R² = 1 - SS_res/SS_tot
SS_res = Σ(yᵢ-ŷᵢ)² （模型残差平方和）
SS_tot = Σ(yᵢ-ȳ)² （用均值预测的平方和）- R²=1 完美；R²=0 和「只用均值预测」一样；R²<0 比均值还差。
完整版教学
一、回归指标衡量什么
回归预测连续数值（房价、销量），评估的核心是「预测值 ŷ 和真实值 y 差多少」。不同指标用不同方式度量这个「差」，关键区别在于怎么对待大误差（尤其离群点） 和是否便于解释/比较。理解这些区别，才能按场景选对指标。
二、MAE：平均绝对误差，稳健且好解释
MAE = (1/n) Σ |yᵢ - ŷᵢ|对每个样本的误差取绝对值再平均。特点：
- 单位和目标一致：预测房价（万元），MAE 就是「平均差多少万元」，直观易解释。
- 对离群点稳健：每个误差线性计入，一个特别大的误差不会被额外放大。所以数据有离群点、或不想让个别大错主导评估时，MAE 更合适。
- 对应「拉普拉斯噪声下的最大似然」，回归树用 MAE 时叶子输出中位数（比均值抗离群）。
三、MSE：均方误差，放大大误差
MSE = (1/n) Σ (yᵢ - ŷᵢ)²误差平方后平均。特点：
- 平方会放大大误差：误差 10 平方后是 100，误差 1 平方后是 1——大误差的「话语权」被急剧放大。所以 MSE 对离群点非常敏感，一个大错就能主导整个指标。
- 数学性质好（处处可导、凸），是很多模型的优化目标（线性回归、神经网络回归默认最小化 MSE），对应「高斯噪声下的最大似然」。
- 缺点：单位是目标的平方（万元²），不好直观解释。
四、RMSE：均方根误差，把单位拉回来
RMSE = √MSE = √( (1/n)Σ(yᵢ-ŷᵢ)² )对 MSE 开根号。特点：
- 单位和目标一致（万元），比 MSE 好解释，是最常用的报告指标之一。
- 仍然对离群点敏感（因为里面是平方和）。
- RMSE ≥ MAE 恒成立；两者差距越大，说明误差分布越不均匀、离群误差越多（可用 RMSE/MAE 的比值判断误差是否有大离群）。
五、MAE vs RMSE 怎么选——看离群点态度
这是高频对比：
| MAE | RMSE | |
|---|---|---|
| 对大误差 | 线性、不放大 | 平方、放大 |
| 对离群点 | 稳健 | 敏感 |
| 何时用 | 有离群点、各误差同等重要 | 大误差代价特别高、要重罚大错 |
- 希望对离群点稳健、各误差平等看待 → MAE。
- 大误差后果严重、要重点惩罚大错（如某些工程预测，偏差过大不可接受） → MSE/RMSE。
六、R²：决定系数，衡量拟合优度
前面几个是「绝对误差」，数值大小依赖目标的量纲，不好跨数据集比较。R²（决定系数） 提供一个相对、无量纲的指标：
R² = 1 - SS_res / SS_tot
SS_res = Σ(yᵢ - ŷᵢ)² 模型的残差平方和
SS_tot = Σ(yᵢ - ȳ)² 「只用均值 ȳ 预测」的平方和（基线）含义：模型比「无脑用均值预测」好多少，衡量模型解释了目标变异的百分之多少。
- R² = 1：完美预测（残差为 0）。
- R² = 0：和「只用均值预测」一样差——模型没学到东西。
- R² < 0：比用均值还差（模型很糟）。
- 一般在
(-∞, 1]，越接近 1 越好，无量纲、便于跨数据集/跨模型比较。
注意：R² 会随特征增多而虚高（哪怕加无用特征）——用 调整 R²（Adjusted R²） 惩罚特征数量，做特征多少的公平比较。
七、MAPE 及其他
- MAPE（平均绝对百分比误差）
= (1/n)Σ|（yᵢ-ŷᵢ)/yᵢ|：以百分比衡量误差，跨量纲可比、业务上直观（「平均偏差 8%」）。但y 含 0 或接近 0 时失效/爆炸，且对低估高估不对称。 - 其他：Huber 损失（MAE 和 MSE 的折中，小误差平方、大误差线性，兼顾稳健和可导）、中位数绝对误差（更抗离群）。
MAPE 的分母是真值，因此 y=0 时未定义，|y| 很小时会被极端放大；目标含负值时，百分比误差的业务解释也常不成立。它还具有不对称性，同样绝对偏差在低真值一侧受罚更大。
| 替代指标 | 缓解点 | 新边界 |
|---|---|---|
| WAPE | 聚合后归一化 | 总真值近 0 仍有问题 |
| sMAPE | 分母含预测与真值 | 定义版本不统一 |
| MAE、RMSE | 不除以真值 | 不具百分比尺度 |
选择 MAPE 前应检查零值、负值和业务是否真正关心相对误差，不能只因直观就默认使用。
八、常见追问
- MSE 为什么对离群点敏感？ 平方放大大误差，一个离群点的平方项主导指标。
- MAE 和 RMSE 差别？ MAE 线性稳健、RMSE 平方敏感；RMSE≥MAE，差距大说明有离群误差。
- R² 为什么可能是负的？ 模型比用均值预测还差时 SS_res>SS_tot，R²<0。
- R² 越高越好吗？ 基本是，但会随特征增多虚高，比较不同特征数的模型要用调整 R²。
- 优化用哪个？ 多数模型优化 MSE（可导凸）；报告常用 RMSE、MAE、R²。
- MAPE 什么时候不能用？ 真实值有 0 或极小值时（除法爆炸）。
九、用同一组残差比较 MAE、MSE、RMSE 与 R²
若三个残差为 [1,-1,4]，则 MAE=(1+1+4)/3=2，MSE=(1+1+16)/3=6，RMSE=√6≈2.45。大误差 4 在 MAE 中贡献 4/6，在 MSE 中贡献 16/18，说明平方损失更强调尾部错误；MAE 只是相对更稳健，误差无限大时它仍会无限增长。
再设真实值 y=[1,2,3]、预测 ŷ=[1,2,4]，残差平方和为 1，总平方和为 2，因此 R²=1-1/2=0.5。R² 的基线由当前评估集均值和方差决定，适合在同一目标、同一测试样本上比模型，不宜笼统说可跨任意数据集直接比较。
| 指标 | 本例数值 | 改变目标单位后的行为 |
|---|---|---|
| MAE | 2.00 | 随单位线性缩放 |
| MSE | 6.00 | 随单位平方缩放 |
| RMSE | 2.45 | 随单位线性缩放 |
| R² | 依 y 方差 | 同一数据线性缩放下不变 |
先定业务损失 → 同时报 MAE/RMSE 看误差尺度
→ 报分位数或分组误差看尾部
→ R² 只作相对均值基线补充易错点：评估指标不是越多越专业；指标必须对应错误成本、目标尺度和部署人群。
十、常见误区与追问
- 误区：MAE 对离群点完全不受影响。 它不平方放大，但绝对误差仍无上界。
- 误区：R² 可以不加条件地跨数据集比较。 不同目标方差、样本范围和基线会改变 R² 的含义。
- 追问：常数真实值时 R² 怎么办？ 总平方和为零，数学定义退化，具体库可能采用约定值。
- 追问：训练 R² 加特征为何常不降？ 带截距 OLS 在同一训练集扩大特征空间不会增大残差平方和；测试 R² 没此保证。
- 追问：MAPE 为什么对接近零的目标危险？ 分母很小会把有限绝对误差放成巨大比例，零值则无法计算。
十一、加强记忆
回归指标核心看怎么对待大误差和是否便于比较：MAE = 绝对误差均值（单位同目标、易解释、线性、对离群点稳健）；MSE = 平方误差均值（平方放大大误差、对离群点敏感，是常见优化目标，单位是平方不好解释）；RMSE = √MSE（单位拉回目标、常用报告、仍对离群敏感，且 RMSE≥MAE，差距大=有离群误差）；R² = 1 − 残差平方和/均值基线平方和（拟合优度，1 完美、0 等于用均值、<0 更差，无量纲可比，但随特征增多虚高、用调整 R²）；MAPE 是百分比误差（直观可比但 y 含 0 失效）。选择：抗离群用 MAE、重罚大误差用 MSE/RMSE、看拟合优度和跨数据比较用 R²。