mse、mae、rmse、r2、mape

这些是常见的评估指标，用于衡量机器学习模型在回归任务中的性能。下面是每个指标的解释：

1. MSE (Mean Squared Error，均方误差)：计算预测值与真实值之间差异的平方的平均值。MSE越小表示模型的预测越准确。

2. MAE (Mean Absolute Error，平均绝对误差)：计算预测值与真实值之间差异的绝对值的平均值。MAE越小表示模型的预测越准确。

3. RMSE (Root Mean Squared Error，均方根误差)：MSE的平方根。RMSE也用于衡量模型的预测准确性，与MSE类似，但RMSE更容易解释。

4. R2 (R-squared coefficient，决定系数)：用于衡量模型对观测数据的拟合程度，即模型能够解释目标变量的方差的比例。R2的取值范围为0到1，越接近1表示模型越好。

5. MAPE (Mean Absolute Percentage Error，平均绝对百分比误差)：计算预测值与真实值之间的百分比误差的平均值。MAPE可以用来衡量模型在预测百分比变化时的准确性。

这些评估指标都有不同的优缺点，选择使用哪种指标取决于具体的问题和需求。