嘿，完全不用觉得问题基础！新手阶段搞懂评估逻辑真的太重要了，咱们直接来拆解多元线性回归的常用评估方法，帮你确认自己的方式对不对～

一、核心评估指标（行业通用标准） #

• 均方误差（MSE, Mean Squared Error）：计算预测值与真实值差值的平方的平均值，对大误差的惩罚效果更明显，数值越小说明模型拟合精度越高。
  代码示例（基于sklearn）：

  from sklearn.metrics import mean_squared_error
  mse = mean_squared_error(y_true, y_pred)
  

• 根均方误差（RMSE, Root Mean Squared Error）：MSE的平方根，优势是和目标变量的单位一致，能更直观地理解误差的实际大小。
  代码示例：

  import numpy as np
  rmse = np.sqrt(mean_squared_error(y_true, y_pred))
  

• 平均绝对误差（MAE, Mean Absolute Error）：计算预测值与真实值差值的绝对值的平均值，对异常值的敏感度低于MSE，同样数值越小越好。
  代码示例：

  from sklearn.metrics import mean_absolute_error
  mae = mean_absolute_error(y_true, y_pred)
  

• R²分数（决定系数）：衡量模型能解释数据变异的比例，取值范围在0到1之间，越接近1说明模型对数据的拟合效果越好。
  代码示例：

  from sklearn.metrics import r2_score
  r2 = r2_score(y_true, y_pred)
  

二、评估时的关键注意事项（这步错了指标再对也白搭） #

• 必须用独立测试集评估：绝对不能用训练数据计算指标，否则会得到过于乐观的结果。正确流程是先将数据集拆分（比如7:3的训练集/测试集比例），用训练集训练模型，再用测试集计算上述指标。
• 警惕数据泄露：做特征工程时，不能用测试集的统计量（如均值、标准差）来标准化训练数据，所有预处理操作都必须只基于训练集完成。
• 可以结合残差分析：把预测残差（真实值-预测值）绘制成直方图或散点图，观察残差是否呈正态分布、是否随机分布，这能帮你发现模型的潜在问题（比如是否遗漏了关键特征）。

如果你之前用的是上述指标，且遵循了测试集独立的原则，那你的评估方式基本是正确的～要是你用了其他方法，也可以具体说出来咱们再一起核对！

内容的提问来源于stack exchange，提问作者Gerrit Luimstra