回归指标：MSE、MAE 与 R²

分类问的是「哪一类」。回归问的是「多少」——一个价格、一个温度、一个送达时间。这里没有对错，只有你偏了多远。回归指标就是把预测与真实之间的距离汇总起来的各种方式。

每个预测都会产生一个残差：error = actual − predicted。模型预测一套房子卖 $420k，实际卖了 $450k，残差就是 $30k。每个样本有一个残差，下面每个指标都是把这一堆残差变成一个数。

MAE：老实的平均误差

**平均绝对误差（MAE）**是绝对残差的平均值：

MAE = mean(|actual − predicted|)

如果 MAE 是 $18k，你的预测平均偏了 $18k。事情就这么简单——MAE 与目标值同单位，念出来跟大白话一样。+$30k 的残差和 −$30k 的残差各自贡献 $30k。

MAE 对所有误差一视同仁地按比例计：错 $40k 恰好是错 $20k 的两倍。这让它对离群值稳健。一套定价离谱的豪宅对 MAE 的推动就是它自身那么大，不会更多，所以 MAE 能很好地描述典型情况。

MSE 与 RMSE：惩罚离谱的错误

**均方误差（MSE）**对平方后的残差取平均：

MSE = mean((actual − predicted)²)

取平方有两个作用。一是消掉符号（正负不会相互抵消），二是让大误差占的分量不成比例——错 $40k 的贡献是错 $20k 的四倍，不是两倍。MSE 极其在意大误差。

麻烦在于单位：房价的 MSE 单位是「美元的平方」，读起来毫无意义。所以大家开个平方根：RMSE = √MSE，回到美元单位，可以直接和 MAE 比。

两者之间的差距有诊断价值。因为 RMSE 会放大大的误差，RMSE 恒 ≥ MAE，两者差距大说明有几个大离群值拖长了尾部。RMSE ≈ MAE 说明误差大小比较均匀。

按哪种情况更疼来选。如果错一次 $100k 远比错十次 $10k 更糟——在风险、库存、产能这类场景里常常如此——就用 MSE/RMSE，它会惩罚罕见的灾难。如果每一块钱的误差都同样糟糕，MAE 才贴合你的现实。

R²：你比最笨的基线强吗

MAE 和 RMSE 是绝对量——$18k 算不算好，取决于价格区间。**R²（决定系数）**把它变成相对量：拿你的模型和最懒的预测器比，也就是永远猜平均值。

R² = 1 − (模型的平方误差 / 猜平均值者的平方误差)

• R² = 1：预测完美，零误差。
• R² = 0：你的模型不比一直猜平均值强。
• R² < 0：你的模型比猜平均值还差——是的，这会发生，通常出现在模型没训练过的数据上。

R² 为 0.85，意思是猜平均值者留下的目标方差，模型解释了其中 85%。它的优点是无单位、跨问题可解释：房价的 R² 和气温的 R² 处在同一个 0 到 1 的尺度上。

陷阱在于：加入特征时 R² 从不下降，哪怕加的是无用的随机特征，因为旋钮多了只会更贴合训练数据。所以在比较输入数量不同的模型时，对多余特征加以惩罚的调整 R²才是老实的做法——这也是为什么训练集上的 R² 几乎一文不值。要在留出的测试数据上报告它。

一起报告

没有哪个单一数字够用，原因和在分类里一样。一个实用的默认做法：用 RMSE 或 MAE 报告以真实单位表示的误差，用 R² 说明模型是否胜过那个平凡基线。如果 RMSE 明显高于 MAE，把这一点说出来——它意味着离群值，而离群值往往正是真实产品风险所在。另外永远画一张残差对预测值的图：指标只做概括，图才能看出误差是随机噪声（好），还是模型漏掉的某种规律（可修）。

要点回顾

• 回归衡量的是残差（actual − predicted）的大小，不是对与错。
• MAE 是以真实单位表示的平均误差——对离群值稳健，所有误差按比例计。
• MSE/RMSE 对误差取平方，所以离谱的错误会主导结果；当罕见的大误差才是真正的危险时用它。RMSE 恒 ≥ MAE，差距大说明有离群值。
• R² 是相对量：1 为完美，0 是与猜平均值打平，负数说明还不如它。比较特征数量不同的模型时用调整 R²，而且一定要在留出数据上算。
• 报告一个误差指标加 R²，再画残差图，抓住被单个数字掩盖的规律。

下一篇： 文本生成指标