MAE（Mean Absolute Error）
顾名思义，即“绝对误差的均值”：
使用 MAE 指标的优点是，计算出的误差指标的量纲与目标变量一致，并且对离群值不敏感。缺点则是由于其函数不可微，不能作为损失函数，因此在不能作为优化器。如果需要最小化 MAE 来拟合回归模型，需要引入其他优化器，如梯度下降。
MSE（Mean Squared Error）
顾名思义，即“平方误差的均值”，在这里顺便了解一下 SSE 的概念：
其优点是，函数可微，可以作为损失函数。实际上最小二乘回归就相当于使用了这个损失函数（最小二乘法通过最小化 SSE 拟合模型）。其缺点是，误差指标的单位变成原始数据单位的平方，并且对异常值敏感。
RMSE（Root Mean Squared Error）
没啥好说，就是上面提到的单位问题，于是就将 MSE 开平方了。
RMSLE（Root Mean Squared Log Error）
RMSE 存在的问题是，对偏小的预测值惩罚较大，也就是对于不同的误差惩罚不是线性的，因此再取对数，来减小这个问题的影响（实际上没有解决问题）。
R2（R Squared）
R2 又称为拟合优度或确定系数，前面 MSE 已经提到 SSE，这里顺便再提一下 SSR 和 SST：
可以理解为：SSR 为回归方差，SST 为总方差。在统计学中，变异量（即方差）体现了一个随机变量的解释性。因此 R2 的大小体现了预测值对数据变异的解释占总变异的比例，亦即回归模型的好坏。
那么按照这个说法，没有被解释到的去哪里了呢？就在误差 SSE 里面了：
Adjusted R2
R2 的缺点是，它只会升不会降。也就是说，你可以在模型中不断添加新的特征，来提高拟合优度（至少不会降低），即使这些新特征是线性不相关的。因此使用 R2 来对比两个具有不同特征数量的模型是不准确的，只试用于单个模型的拟合优度。针对 R2 的这个问题，通过以下式子引入样本量和自由度来进行调整：
其中 n 为样本数，k 为独立变量个数。