8-2 机器学习模型评估（回归指标）
📌 一、 课程导入（10分钟）
在上节课《8-1 线性回归》中，我们学会了用 model.fit(X, y) 拟合出一条预测线。
抛出问题： 假设我们拟合出了两个房价预测模型（模型 A 和模型 B），模型 A 预测一套房子差了 5 万元，模型 B 预测差了 12 万元。
- 我们怎么用一个量化的指标告诉客户哪个模型更好？
- 如果考试满分是 100 分，有没有一个指标能给机器学习模型也打一个 0 ~ 1 之间的“成绩单”？
核心结论： 数据拟合只是第一步，模型评估才是验证算法能否真实落地的“验货把关”过程。
- 👨🏫 教师活动：展示两个误差不同的房价预测结果图表，抛出“如何量化评价模型好坏”的问题，引出本节课的主题。
- 🧑🎓 学生活动：观察图表，对比预测值与真实值的差距，思考如何用数字表达“精准度”。
以“给模型打分”这一形象生动的比喻切入，消除数学指标的枯燥感，帮助学生快速建立“模型评估与测试”的工程视角。
📖 二、 解决问题过程（一）：四大回归评估指标原理（25分钟）
假设真实值为 $y$，模型预测值为 $\hat{y}$，样本数量为 $n$：
1. MAE（Mean Absolute Error，平均绝对误差）
$$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\vert{}y_i - \hat{y}_i\vert{}$$- 含义：预测误差绝对值的平均数。
- 优点：单位与原始数据完全一致（如“平均相差 X 万元”），最直观易懂。
2. MSE（Mean Squared Error，均方误差）
$$\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$$- 含义：预测误差平方的平均数（上节课损失函数）。
- 特点：对离群点（大误差）非常敏感，误差越大惩罚越重。
3. RMSE（Root Mean Squared Error，均方根误差）
$$\text{RMSE} = \sqrt{\text{MSE}} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}$$- 含义：对 MSE 开平方。
- 优点：既保留了 MSE 对大误差惩罚的特性，又把单位还原回了原始数据的量纲。
4. $R^2$ Score（Coefficient of Determination，决定系数）
$$\text{R}^2 = 1 - \frac{\sum(y_i - \hat{y}_i)^2}{\sum(y_i - \bar{y})^2} = 1 - \frac{\text{残差平方和（你的模型误差）}}{\text{总平方和（瞎猜均值的误差）}}$$- 物理意义：你的模型比“只猜平均值”的基准模型好多少？
- 打分区间：
- $R^2 = 1$：完美预测，零误差。
- $R^2 \approx 0.8 \sim 0.9$：模型效果非常优秀。
- $R^2 = 0$：模型效果和“直接猜平均值”没有任何区别。
- $R^2 < 0$：模型极差，预测效果还不如直接猜平均值。
- 👨🏫 教师活动：逐一推导和对比 MAE、MSE、RMSE 的量纲区别；重点用“跟平均值瞎猜比较”的图示解释 $R^2$ 的直观含义。
- 🧑🎓 学生活动：记录四个指标的英文缩写与中文含义，思考为什么 MSE 需要开平方（RMSE）。
从简单直观的 MAE 循序渐进引出 $R^2$，突破“决定系数”公式抽象的教学难点，让学生彻底搞懂 $R^2$ 为什么被称为“模型成绩单”。
💻 三、 解决问题过程（二）：使用 Scikit-Learn 进行评估代码实践（25分钟）
在 Python 中，sklearn.metrics 模块提供了内置的评估 API，也可以直接使用模型的 .score() 方法。
- 👨🏫 教师活动：在 Jupyter Notebook 中演示代码，重点对比
mean_absolute_error与r2_score的输出结果，并讲解model.score(X, y)的简便用法。 - 🧑🎓 学生活动：同步编写代码并运行，观察打印出的评估报告；尝试向
y中引入一个离群异常值，观察哪个评估指标变化最剧烈。
通过工业级 API 代码演示，让学生掌握如何在实际项目中用 3 行代码快速生成模型的评估报告，实现“理论到工程”的落地。
✍️ 四、 解决问题过程（三）：课堂练习与巩固（20分钟）
📝 五、 课堂小结（5 分钟）
flowchart LR
root["📊 8-2 模型评估（回归）"]
subgraph C1["💡 核心概念"]
direction TB
A1["评估目的：给算法打分验货"]
A2["训练集与测试集评估的区别"]
end
subgraph C2["📐 量纲指标"]
direction TB
B1["MAE：平均绝对误差（原始单位）"]
B2["MSE：均方误差（放大离群误差）"]
B3["RMSE：均方根误差（还原原始单位）"]
end
subgraph C3["🏆 打分指标"]
direction TB
C1_node["R2 决定系数（0 ~ 1 分数）"]
C2_node["含义：对比均值瞎猜模型的提升程度"]
end
subgraph C4["💻 代码实现"]
direction TB
D1["sklearn.metrics 模块"]
D2["model.score 函数直接获取 R2"]
end
root --> C1
root --> C2
root --> C3
root --> C4
%% 自定义主题色彩美化
style root fill:#4b6cb7,stroke:#253b6e,color:#fff,stroke-width:2px,rx:8px,ry:8px
style C1 fill:#e3f2fd,stroke:#2196f3,stroke-width:1px
style C2 fill:#fff3e0,stroke:#ff9800,stroke-width:1px
style C3 fill:#e8f5e9,stroke:#4caf50,stroke-width:1px
style C4 fill:#f3e5f5,stroke:#9c27b0,stroke-width:1px