在sklearn中包含四种评价尺度，分别为mean_squared_error、mean_absolute_error、explained_variance_score 和 r2_score。
    做回归分析，常用的误差主要有均方误差根（RMSE）和R-平方（R2）。
    （1）MSE：数理统计中均方误差是指参数估计值与参数真值之差平方的期望值，记为MSE。MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。与此相对应的，还有均方根误差RMSE等。
    sklearn中使用r2_score评价回归模型 - 图1
    其中sklearn中使用r2_score评价回归模型 - 图2，下同。
    （2）RMSE：预测值与真实值的误差平方根的均值。
    sklearn中使用r2_score评价回归模型 - 图3
    （3）R2方法：将预测值跟只使用均值的情况下相比，看能好多少。其区间通常在（0,1）之间。
    sklearn中使用r2_score评价回归模型 - 图4
    模型越好：r2→1
    模型越差：r2→0
    0表示还不如不预测，直接取均值的情况，而1表示所有预测跟真实结果完美匹配的情况。
    用法示例如下：

    1. from sklearn.metrics import r2_score
    3. y_true = [1,2,4]
    4. y_pred = [1.3,2.5,3.7]
    5. r2_score(y_true,y_pred)