1. RMSE（Root Mean Square Error）：均方根误差

RMSE（Root Mean Square Error）：均方根误差，是评估预测模型精度的常用指标之一。它衡量的是预测值与真实值之间的偏差程度，计算的是预测值与真实值之差的平方和的平方根。RMSE的取值范围是0到正无穷大，数值越小表示模型的预测误差越小，模型的预测能力越强。在实际应用中，RMSE常用于评估回归模型的预测精度。

2. MAE（Mean Absolute Error）：平均绝对误差，也叫均方误差

MAE（Mean Absolute Error）：平均绝对误差，也叫均方误差，是另一种常用的评估指标。它计算的是每个样本的预测误差的绝对值的平均数。MAE的优点是可以直观地看出模型预测值与真实值之间的差距大小，它不考虑预测值的正负，同时也更加关注绝对误差的大小，这使得它比均方误差更能反映预测值的偏离程度。MAE的取值范围是[0，+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。

3. MAPE（Mean Absolute Percentage Error）：平均绝对百分比误差

MAPE（Mean Absolute Percentage Error）：平均绝对百分比误差，是常用于评价预测值和实际值之间误差的度量方式，是衡量预测值准确程度的重要指标。MAPE是以百分比形式出现，表示在预测值与实际值之间相对误差的平均百分比。MAPE的取值范围是[0，+∞)，越小表明预测模型越准确。一般来说，MAPE小于10%被认为是比较好的预测模型，MAPE在10%-20%之间，预测的精度还可以接受。但是，如果MAPE大于20%，那么预测的效果不太理想，需要进一步提高预测模型的精度。

总结（个人理解）

1. RMSE（Root Mean Square Error）：均方根误差。优点在于衡量预测值与真实值之间的偏差程度，数值越小表示模型的预测精度越高。此外，RMSE易于理解，计算方便，并且对异常值较为敏感。然而，RMSE的缺点在于对目标变量本身的变异性缺乏考虑，可能无法准确反映模型的性能。同时，RMSE对异常值的敏感性可能导致评价结果不够稳定。

2. MAE（Mean Absolute Error）：平均绝对误差。优点在于计算每个样本的预测误差的绝对值的平均数，直观地表示模型预测值与真实值之间的差距大小。MAE对所有误差的大小都给予相同重视，对异常值的敏感性相对稳定。然而，MAE的缺点在于没有考虑目标变量本身的变异性，可能无法准确反映模型的性能。同时，MAE使用的是模函数，不是所有点都可微，不能作为损失函数。

3. MAPE（Mean Absolute Percentage Error）：平均绝对百分比误差。优点在于以百分比形式表示预测值与真实值之间的相对误差，更关注相对误差，对于不同量级的预测问题更具可比性。此外，MAPE在金融领域中常用于评估投资组合风险模型的表现。然而，MAPE的缺点在于当真实值接近零时，计算会出现分母为零的情况，导致评价结果不可用。同时，MAPE对小的误差较为敏感，可能会放大真实值较小的样本的误差。