回归模型评价指标：MSE、RMSE、MAE、R2 score

回归模型是预测模型的一种，主要用于预测一个或多个因变量与一个或多个自变量之间的依赖关系。在回归分析中，常用的评价指标有均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和决定系数R2 score。这些指标各有特点，可用于不同情况下的模型评估。

1. 均方误差（MSE）
   MSE是观测值与真值偏差的平方和与观测次数的比值。它是一个衡量模型预测精度的指标，MSE的值越小，说明预测模型对于目标的拟合程度越精确。在回归分析中，MSE相当于模型中的损失函数，线性回归过程中尽量让该损失函数最小。模型之间的对比也可以用它来比较。
2. 均方根误差（RMSE）
   RMSE是MSE的开根号，实质与MSE一样。但因为MSE单位量级和误差的量级不一样，而RMSE跟数据是一个级别的，更容易感知数据。所以有时更常用RMSE来评估模型的性能。不过，RMSE也易受异常值的影响。
3. 平均绝对误差（MAE）
   MAE是绝对误差的平均值，能更好地反映预测值误差的实际情况。相比于MSE和RMSE，MAE在一些场景中更有实际意义。
4. 决定系数R2 score（R^2 score）
   当量纲不同时，RMSE、MAE、MSE难以衡量模型效果好坏，此时就需要用到决定系数R2 score。R2 score（即决定系数）反映因变量的全部变异能通过回归关系被自变量解释的比例。R2 score的值介于0和1之间，越接近1表示模型的拟合效果越好。R2 score还有另外一个名字叫做Coefficient of Determination。
   总的来说，以上四个指标各有特点，分别适用于不同的情况。在实际应用中，应根据具体情况选择合适的指标进行模型评估。同时，这些评价指标只是回归模型性能评估的一部分，还有其他指标如交叉验证误差等也可以用于模型评估。在选择评价指标时，应综合考虑各种因素，以得出更为客观准确的评估结果。