回归模型应用场景：预测，趋势分析、投资风险分析等
（1）MAE（Mean Absolute Error）平均绝对差值
（2）MSE(Mean Square Error)均方误差，是回归任务最常用的性能度量，最小二乘估计也是使用均方误差
（3）log对数损失函数（逻辑回归）：交叉熵损失，其实是由最大似然估计推导而来
（4）RMSE(Root Mean Square error)均方根误差
（5）Normalized root-mean-square deviation归一化均方差跟偏差
扫描二维码关注公众号，回复：
4948025 查看本文章
（6） R2决定系数
R2反映了在因变量y的变差中被估计的回归方程所解释的比例。R2 越接近1,表明回归平方和占总平方和的比例越大,回归线与各观测点越接近,用x的变化来解释y值变差的部分就越多,回归的拟合程度就越好
（7） Pearson's Correlation Coefficient(皮尔逊相关系数)
皮尔逊相关也称为积差相关（或积矩相关），假设有两个变量X、Y，那么两变量间的皮尔逊相关系数可通过以下公式计算：
注意当两个变量的标准差都不为零时，相关系数才有定义，皮尔逊相关系数适用于：
- 两个变量之间是线性关系，都是连续数据。
- 两个变量的总体是正态分布，或接近正态的单峰分布。
- 两个变量的观测值是成对的，每对观测值之间相互独立
（8） concordance correlation coefficient(一致性相关系数)
参考文献
1.机器学习模型相关评价指标最全总结。https://blog.csdn.net/tox33/article/details/81141485