引言：
机器学习和深度学习的广泛应用，人们对回归预测/分类预测的结果评估的重视，为此总结了五种常用的模型结果评估方法，并简要做一些说明，RMSE、MAE、Accuracy、R2、var等五种评估方法，其中精度一般用于分类预测上，但是，也可以用于回归预测评估上。
- 均方根误差：
(2) 均方误差：
(3) 精度：
(4) 决定系数: 
(5) 解释方差得分:
RMSE 和 MAE 用来评估预测误差：其值越小越好。精度衡量预测结果的精度：越大越好。 R2 和var计算相关系数，评估预测结果对真实数据的表达能力，越大越好。R越大表示我们的模型效果越好，最大值为1。其中，
R=1：表明预测十分准确，没有任何错误
R=0：表明模型的效果很差
R<0：表明数据之间没有线性关系
最后附上封装函数：
from sklearn.metrics import mean_squared_error,mean_absolute_error
import numpy.linalg as la
import math
#模型评估
def evaluation(a,b):
'''
a,b为真值和预测值
'''
rmse = math.sqrt(mean_squared_error(a,b))#均方误差
mae = mean_absolute_error(a, b)#绝对误差
F_norm = la.norm(a-b)/la.norm(a)
r2 = 1-((a-b)**2).sum()/((a-a.mean())**2).sum()
var = 1-(np.var(a - b))/np.var(a)
return rmse, mae, 1-F_norm, r2, var 