实际上，这些可以为您提供对模型错误的不同见解。如果$y$ 是你的目标， $p$ 你的预测和 $e = p - y$ 错误：

• 平均误差： $ME = mean(e)$
  

在 (-∞,∞) 中，越接近 0 越好。
测量误差中的附加偏差。无偏估计应该与您的目标具有相同的平均值，因此 ME 应该接近 0，如果它是肯定的，那么您的预测会高估目标，如果它是否定的，那么它们会低估。

• 均方根误差： $RMSE = \sqrt{mean(e^2)}$.
  

在[0,∞)中，越小越好。
测量误差的均方幅度。取平方根以使误差的单位与目标的单位相同。该度量对较大的偏差（例如异常值）给予了更大的权重，因为较大的差异平方变得更大，而较小（小于 1）的差异平方变得更小。

• 平均绝对误差： $MAE = mean(|e|)$.
  

在[0,∞)中，越小越好。
测量误差的绝对大小，其单位与目标单位相同。导致更容易解释的错误并减少异常值的权重。然而，一个很好的模型$MAE$ 可以准时出现非常高的错误。

• （根）均方对数误差： $MSLE= mean((log(p+1)-log(y+1))^2)$.
  

在[0,∞)中，越小越好。
这在处理右倾斜目标时很有用，因为进行对数变换会使目标更正态分布。在实践中，通常通过将目标更改为$\hat{y}=log(y+1)$然后预测为$y=e^\hat{y}-1$

• 中值绝对偏差：$MAD = median(e - median(e))$.
  

在[0,∞)中，越小越好。
这是一种类似于标准偏差的散布度量，但对异常值更稳健。MAD 不采用平方平均值作为 sd，而是采用绝对值的中位数，使其更加稳健。

• R²，决定系数：
  

在 (−∞,1] 中，越接近 1 越好 是衡量模型可以捕获的变异性与目标变量中的自然变异性的比率。

在实践中，我通常使用$ME$,$R^2$和：$RMSE$如果数据中没有异常值，$MAE$ 如果我有一个大数据集并且可能存在异常值， $RMLSE$ 如果目标是正确倾斜的。

此链接对此事提供了很好的概述：http: //www.cawcr.gov.au/projects/verification/#Methods_for_foreasts_of_continuous_variables

我有一些非常粗略的想法：

• 如果偏差为 2，则 MAD 是偏差为 1 的“两倍”。
• 如果值恶化得更快，则 RMSE - 严厉惩罚异常值！（可以好也可以坏）
• MAE，如果我对完整的异常值不感兴趣，但仅在“典型”情况下（因为我通常将输出限制在合理范围内，这与 MAD 几乎相同）

对于 MSLE 和 R²，我不知道什么时候它比其他更适合。