对我们来说，量化模型的性能以将其用作反馈和比较非常重要。在本教程中，我们使用了最流行的误差度量均方根误差之一。还有其他各种错误度量标准。本章简要讨论它们。

均方误差

它是预测值和真实值之间差异的平方的平均值。 Sklearn将其作为函数。它的单位与真实值和预测值的平方相同，并且始终为正。

$$ MSE = \ frac {1} {n} \ displaystyle \ sum \ limits_ {t = 1} ^ n \ lgroup y’_ {t} \：-y_ {t} \ rgroup ^ {2} $$

其中$ y’_ {t} $是预测值，

$ y_ {t} $是实际值，并且

n是测试集中值的总数。

从方程式中可以明显看出，MSE对于较大的错误或异常值的惩罚更大。

根均方误差

它是均方误差的平方根。它也总是正的，并且在数据范围内。

$$ RMSE = \ sqrt {\ frac {1} {n} \ displaystyle \ sum \ limits_ {t = 1} ^ n \ lgroup y’_ {t} -y_ {t} \ rgroup ^ 2} $$

其中， $ y’_ {t} $是预测值

$ y_ {t} $是实际值，并且

n是测试集中值的总数。

它具有统一性，因此与MSE相比更具可解释性。对于较大的错误，RMSE也会受到更大的惩罚。我们在本教程中使用了RMSE指标。

平均绝对误差

它是预测值和真实值之间的绝对差的平均值。它具有与预测值和真实值相同的单位，并且始终为正。

$$ MAE = \ frac {1} {n} \ displaystyle \ sum \ limits_ {t = 1} ^ {t = n} | y'{t} -y_ {t} \ lvert $$

其中， $ y’_ {t} $是预测值，

$ y_ {t} $是实际值，并且

n是测试集中值的总数。

平均百分比误差

它是预测值和真实值之间的绝对差平均值的平均值除以真实值的百分比。

$$ MAPE = \ frac {1} {n} \ displaystyle \ sum \ limits_ {t = 1} ^ n \ frac {y’_ {t} -y_ {t}} {y_ {t}} * 100 \： \％$$

其中， $ y’_ {t} $是预测值，

$ y_ {t} $是实际值，n是测试集中的值总数。

但是，使用此误差的缺点是正误差和负误差会相互抵消。因此，使用平均绝对百分比误差。

平均绝对百分比误差

它是预测值和真实值之间的绝对差平均值的平均值除以真实值的百分比。

$$ MAPE = \ frac {1} {n} \ displaystyle \ sum \ limits_ {t = 1} ^ n \ frac {| y’_ {t} -y_ {t} \ lvert} {y_ {t}} * 100 \：\％$$

其中$ y’_ {t} $是预测值

$ y_ {t} $是实际值，并且

n是测试集中值的总数。