PS：最近有用CNN处理回归任务，想到分类下面有那么多的评价标准，回归有哪些呢？ 故记录一下！
本文参考： https://blog.csdn.net/shy19890510/article/details/79375062?utm_source=blogxgwz9
评价指标
SSE(误差平方和)：The sum of squares due to error
R-square(决定系数)：Coefficient of determination
Adjusted R-square（校正决定系数）：Degree-of-freedom adjusted coefficient of determination
指标说明
SSE(误差平方和)
计算公式：
优点：
同样的数据集的情况下，SSE越小，误差越小，模型效果越好
缺点：
SSE数值大小本身没有意义，随着样本增加，SSE必然增加，也就是说，不同的数据集的情况下，SSE比较没有意义。
R-square(决定系数)
计算公式：
优点：
1.数学理解：分母理解为原始数据的离散程度，分子为预测数据和原始数据的误差，二者相除可以消除原始数据离散程度的影响
2.其实“决定系数”是通过数据的变化来表征一个拟合的好坏。
3.理论上取值范围（-∞，1], 正常取值范围为[0 1] ------实际操作中通常会选择拟合较好的曲线计算R²，因此很少出现-∞
越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好；
越接近0，表明模型拟合的越差；
经验值：>0.4， 拟合效果好。
缺点：
数据集的样本越大，R²越大，因此，不同数据集的模型结果比较会有一定的误差。
Adjusted R-Square (校正决定系数）
计算公式：
n为样本数量，p为特征数量。
优点：
消除了样本数量和特征数量的影响。
缺点：
计算量问题。
