在本文中，通過Python實現MSE/RMSE/MAE/R^2的計算，而非簡單呼叫sklearn.metrics中的方法。

先簡單介紹各衡量指標公式和意義：

2.RMSE（均方根誤差）：

3.MAE(平均絕對誤差)：

以上1-3衡量指標，根據不同業務，會有不同的值大小，不具有可讀性，故引入R^2衡量指標。

4.R^2（決定係數）：

 R越大表示我們的模型效果越好，最大值為1.

 R=1：我們的預測沒有產生任何錯誤

 R=0：我們的模型等於基準模型，即我們的模型效果很差

 R<0：說明資料之間沒有任何線性關係

下面通過python計算MSE/R值，並與sklearn的計算值比較，是否相等。

#計算MSE/R^2
def scoreReg():
    #testY是一維陣列，predicY是二維陣列，故需要將testY轉換一下
    MSE=np.sum(np.power((testY.reshape(-1,1) - predicY),2))/len(testY)
    R2=1-MSE/np.var(testY)
    print("MSE:",MSE)
    print("R2:", R2)
    #sklearn求解的MSE值
    MSE2 = mean_squared_error(testY, predicY)
    print("MSE2:", MSE2)

if __name__ == '__main__':
    #波士頓房價預測資料，在這裡我們取“RM”特徵值x與房價預測結果y
    #boston.data[:,5] 表示 “RM”特徵值列資料
    boston = datasets.load_boston()
    x=boston.data[:,5]
    y=boston.target
    #過濾掉異常值
    x=x[y<50]
    y=y[y<50]
    trainX, testX, trainY, testY = train_test_split(x, y)
    reg=LinearRegression()
    reg.fit(np.array(trainX).reshape(-1,1),np.array(trainY).reshape(-1,1))
    predicY=reg.predict(np.array(testX).reshape(-1,1))
    scoreReg()
 

列印結果為：

MSE: 43.15282762514129
R2: 0.5302411872573958
MSE2: 43.15282762514129