回归问题涉及预测连续数值，通常使用几种指标来评估模型性能。最常用的指标包括平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和 R 平方（R²）。每个指标都从不同角度衡量模型预测与实际值的吻合程度。例如，MAE 衡量预测值与真实值之间的平均绝对差值，而 MSE 则平方这些差值以强调较大的误差。RMSE 是从 MSE 推导而来，将误差缩放到原始数据单位。R² 量化了目标变量中由模型解释的方差比例。这些指标帮助开发者评估准确性、误差大小和模型拟合度。
MAE 和 MSE/RMSE 常结合使用以了解误差行为。MAE 的解释很直接——例如，如果房屋价格预测模型的 MAE 是 5，那么平均预测值与实际值相差 5000 美元（假设价格单位为千美元）。然而，MAE 对所有误差一视同仁，这可能会掩盖异常值的影响。MSE 通过平方误差，对较大偏差的惩罚更重。例如，一个单一的 10 的大误差会给 MSE 贡献 100，而两个 5 的误差各贡献 25（总计 50）。RMSE，即 MSE 的平方根，很有用，因为它与目标变量单位相同（例如，美元或米），这使得结果更容易沟通。在安全关键系统等较大误差特别不受欢迎的情况下，开发者通常更偏爱使用 RMSE。
R² 和平均绝对百分比误差（MAPE）提供了额外的背景信息。R² 衡量模型对数据方差的解释程度，范围从 0（没有解释力）到 1（完美拟合）。例如，R² 为 0.8 意味着目标变量中 80% 的方差被模型捕获。这对于比较不同数据集或规模的模型非常有用。MAPE 计算相对于实际值的平均百分比误差，这对于商业环境中相对误差比绝对值更重要的情况很有帮助。例如，销售预测中 10% 的 MAPE 表示预测值平均与实际销售值相差 10%。开发者根据问题的要求选择指标：MAE 用于简洁性，RMSE 用于对异常值的敏感性，R² 用于解释力，以及 MAPE 用于相对误差分析。