回归任务
均方误差：MSE（Mean Squared Error）
设 \(y\) 是真实值，\(y'\) 是预测值，则MSE定义如下：
\[MSE = \frac{1}{n} \sum_i{(y_i-y'_i)^2}\]
均方根误差：RMSE（Root Mean Squared Error）
设 \(y\) 是真实值，\(y'\) 是预测值，则RMSE定义如下：
\[RMSE = \sqrt{MSE}=\sqrt{ \frac{1}{n} \sum_i{(y_i-y'_i)^2} }\]
平均绝对误差：MAE（Mean Absolute Error）
设 \(y\) 是真实值，\(y'\) 是预测值，则MAE定义如下：
\[MAE = \frac{1}{n} \sum_i{ |y_i-y'_i| }\]
平均绝对百分比误差：MAPE（Mean Absolute percentage Error）
设 \(y\) 是真实值，\(y'\) 是预测值，则MAE定义如下：
\[MAPE = \frac{1}{n} \sum_i{ \frac{|y_i-y'_i|}{\max{(\epsilon,|y_i|)} }}\]
其中$`epsilon`$表示当$`y_i`$为0时的一个替代值（如：1e-6)，避免出现被0除而导致不可用。
对称平均绝对百分比误差：SMAPE（Symmetric Mean Absolute percentage Error）
设 \(y\) 是真实值，\(y'\) 是预测值，则MAE定义如下：
\[SMAPE = \frac{1}{n} \sum_i{ \frac{|y_i-y'_i|}{\max{(\epsilon,\frac{|y_i|+|y'|}{2}) } }}\]
MSLE(Mean Square Logarithmic Error)
设 \(y\) 是真实值，\(y'\) 是预测值，则MAE定义如下：
\[MSLE = \frac{1}{n} \sum_i{( log(y_i+1) - log(y'_i+1))^2}\]
决定系数：R2（R-Square）
设 \(y\) 是真实值，\(\bar y\) 是 \(y\) 的均值，\(y\) 是预测值，则R2定义如下：
\[R2 = 1 - \frac { \sum_i{(y_i-y'_i)^2} }{\sum_i{(y_i - \bar y)^2} }\]
R2的取值范围为[0,1]，如果结果是 0说明模型拟合效果很差，如果结果是 1，说明模型无错误。
校正决定系数（Adjusted R-Square）
设 \(n\) 是样本数量，\(p\) 是特征数量，则：
\[R2\_adjusted = 1 - \frac { (1-R2)(n-1) }{ n-p-1 }\]