承上一篇，模型訓練完成之後的那些Vertex列出評估函數，除了R^2也一併介紹剩下的名詞。

MAE (平均絕對誤差)

我們在最小平方法的時候，有跟大家介紹所謂實際值與預估值的誤差，會有正負之分，所以不能單純地把所有的誤差直接加總起來，會讓那些誤差彼此抵銷，導致表面上看起來誤差不多，但實際的值與預估值卻落差許多的狀況。

那麼若將這個誤差，轉換成絕對值也是個方法對吧，所以平均起來的誤差就變成以下的狀況。

MAPE (平均絕對百分比誤差)

那麼在更理解了誤差有正負之分以後，我們來認識另一件事情，試想一下所謂的誤差有很多個，因為基本上每個預估值與實際值都有差距，只是多寡問題，那個好的誤差是什麼樣子呢？

直觀來講每個誤差的分佈若不大，那麼這個誤差就相對而言比較好，若每個誤差其實都落差很大，事情會很麻煩，例如說A資料與預估值的誤差是-10，B資料與預估值是誤差+200，C是-50，D是+1000。

我們會希望這些誤差，有個平均程度的標準值，通常希望是<10％。

RMSE (均方根誤差)

理解了MSE，RMSE就好說明，MSE的時候我們利用了絕對值處理正負的問題，那麼除了絕對值的方式可以處理正負，另一個方法就是乘以平方，乘以平方的數值出都是正數。

由於已經事先乘以平方，那麼結果當然需要開根號轉換回來，這就是RMSE。

RMSLE (均方根對數誤差)

有時候遇到一些相較之下比較極端的資料，導致某些誤差跟大部分的誤差太大，會影響訓練結果。

因此有個辦法就是先將原本的數值取對數，再評估均方根誤差，來減少極端值的影響。

譬如說原本的資料是10000，取log10就是4，原本資料是10，取log10就是1。

10000和10落差，相比4和1的落差，答案可想而知囉。

參考資料1

參考資料2