线性算法的评价指标
MAE （Mean Absolute Error）：平均绝对误差，能反映预测值误差的实际情况。取值越小，模型准确度度越高。
ME（Mean Error）：平均误差，能反映预测值与实际值的大小关系。
样例1
| 模型版本 | date1 | date2 | date3 |
|---|---|---|---|
| 真实值 | 10 | 20 | 30 |
| 模型1 预测值 | 11 | 21 | 31 |
| 模型2 预测值 | 9 | 19 | 29 |
模型1的MAE：(|11 - 10| + |21 - 20| + |31 - 30|)/3 = 1
模型1的ME：(（11 - 10）+ （21 - 20）+（31 - 30）)/3 = 1
模型2的MAE：(|9 - 10| + |19 - 20| + |29 - 30|)/3 = 1
模型2的ME：(（9 - 10）+ （19 - 20）+（29 - 30）)/3 = -1
结论：
模型1和模型2预测值与真实值的偏离程度相似，但是模型1预测值比真实值偏大，模型2预测值偏小。
样例2
| 模型版本 | date1 | date2 | date3 |
|---|---|---|---|
| 真实值 | 10 | 20 | 30 |
| 模型1 预测值 | 9 | 16 | 29 |
| 模型2 预测值 | 9 | 25 | 29 |
| 模型版本 | MAE | ME |
|---|---|---|
| 模型1 预测值 | 2 | -2 |
| 模型2 预测值 | 2.33 | 1 |
结论：
模型1的MAE比模型2更小，表示整体上看，模型1预测的结果距离实际值偏离程度更小，预测更准。
模型1的ME为-2，说明，模型1的整体结果偏小于实际值。模型2的ME为1，说明模型2 的整体结果比实际值大。
