Какие метрики использовал для задач регрессии

Для задач регрессии популярны следующие метрики:

MAE (Mean Absolute Error) – средняя абсолютная ошибка, устойчива к выбросам.

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

MSE (Mean Squared Error) – средняя квадратичная ошибка, штрафует большие отклонения.

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

RMSE (Root Mean Squared Error) – корень из MSE, интерпретируем в исходных единицах.

rmse = mean_squared_error(y_true, y_pred, squared=False)  

R² (Коэффициент детерминации) – доля объяснённой дисперсии, от 0 до 1 (чем ближе к 1, тем лучше).

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

MAPE (Mean Absolute Percentage Error) – средняя абсолютная процентная ошибка, удобен для интерпретации в процентах.

from sklearn.metrics import mean_absolute_percentage_error  
mape = mean_absolute_percentage_error(y_true, y_pred)  

Выбор метрики зависит от задачи: MAE/RMSE для интерпретируемости, MSE для чувствительности к выбросам, R² для сравнения моделей.