RMSE（二乗平均平方根誤差）

回帰モデルが目的変数のばらつきをどれだけ説明できているかを表す指標で、R²と書く。1から（残差の二乗和÷目的変数の平均からの偏差の二乗和）を引いて求め、1に近いほど当てはまりがよく、平均値で予測するのと同等なら0になる。説明変数を増やすと見かけ上大きくなるので、変数の数を考慮した自由度調整済み決定係数で比べることがある。

回帰モデルの評価指標の一つで、予測値と実測値の差の絶対値を平均した値。目的変数と同じ単位で、平均してどれだけ外れるかを直感的に表せる。誤差を二乗しないため、RMSEに比べて外れ値の影響を受けにくい。

入力データと正解（ラベル）の組を大量に学習させ、未知のデータに対する正解を予測するモデルを作る機械学習の手法。数値を予測する回帰と、所属するクラスを判定する分類があり、売上予測、り患予測、成約予測、離反予測などに使われる。正解付きのデータを用意する費用と、その品質が精度を左右する。

教師あり学習の課題のうち、入力がどのカテゴリ（クラス）に属するかを予測するもの。迷惑メールか否かのような2クラス分類と、3つ以上のクラスから選ぶ多クラス分類がある。ロジスティック回帰、決定木、サポートベクトルマシン、ニューラルネットワークなどを使い、正解率、適合率、再現率、F値、AUCで評価する。

目的変数を、説明変数（特徴量）に重みを掛けて足し合わせた1次式（と切片）で予測する回帰のモデル。予測値と実測値の誤差の二乗和を最小にする最小二乗法で重みを求め、説明変数が1つなら単回帰、複数なら重回帰に当たる。重みから各特徴量の影響を解釈しやすい反面、非線形の関係は表せず、過学習を抑えるためにL2正則化（リッジ回帰）やL1正則化（ラッソ回帰）を加えることがある。

分類モデルの評価指標の一つで、全データのうち予測が正解と一致した割合。混同行列では（TP＋TN）÷（TP＋TN＋FP＋FN）で求める。直感的に分かりやすいが、陽性が1%しかないデータでは全件を陰性と予測しても99%になるように、クラスの偏ったデータでは性能を正しく表さないので、適合率や再現率と併せて見る。