我一直使用r2 score指标。我知道有很多评估指标，我读过几篇相关的文章。由于我在机器学习领域还是一个初学者，我仍然对以下几点感到非常困惑：

1. 什么时候使用每个指标，是否取决于我们的具体情况，如果是，请举个例子
2. 我读了这篇文章，它说r2 score并不直接，我们需要其他东西来衡量模型的性能。这是否意味着我们需要多个评估指标才能更好地了解模型性能？
3. 如果我们只用一个评估指标来衡量模型性能，是否推荐这样做？
4. 根据这篇文章，了解我们数据的分布和业务目标有助于我们选择合适的指标。这是什么意思？
5. 如何知道对于每个指标，模型是否“足够好”？

回答：

回归问题有以下不同的评估指标：

1. 均方误差（MSE）
2. 均方根误差（RMSE）
3. 平均绝对误差（MAE）
4. R²或决定系数
5. 均方百分比误差（MSPE）
6. 等等…

如你所述，你需要根据问题类型、你想要衡量的内容以及数据的分布来使用这些指标。

1. 要做到这一点，你需要了解这些指标如何评估模型。你可以从这篇很棒的博客文章中查看评估指标的定义和优缺点。
2. R²显示你的目标变量的变化有多少是由独立变量描述的。一个好的模型可以给出接近1.0的R²分数，但这并不意味着它必须如此。低R²的模型也可能给出低MSE分数。因此，为了确保你的模型的预测能力，最好使用MSE、RMSE或其他指标来补充R²。
3. 不可以。你可以使用多个评估指标。重要的是，如果你比较两个模型，你需要使用相同的测试数据集和相同的评估指标。
4. 例如，如果你想过多地惩罚你的坏预测，你可以使用MSE评估指标，因为它基本上衡量我们的预测的平均平方误差，或者如果你的数据中有太多离群值，MSE会对这些例子施加过多的惩罚。
5. 对“好模型”的定义会根据问题的复杂性而变化。例如，如果你训练一个模型来预测正面或反面，并且给出49%的准确率，这还不够好，因为这个问题的基线是50%。但对于其他任何问题，49%的准确率可能对你的问题来说足够了。所以总的来说，这取决于你的问题，你需要定义或考虑人类（基线）阈值。