評価指標（回帰）

#pandasのインポート
import pandas as pd

#データの読み込み
boston = pd.read_csv('boston.csv')
diabetes = pd.read_csv("diabetes.csv")

#予測値のデータ読み込み
boston_predict = pd.read_csv('boston_predict.csv')
diabetes_predict = pd.read_csv('diabetes_predict.csv')

#答えを変数に入れて，実際に中に入ってるか確認
boston_answer = boston["house_price"]
print(boston_answer.head(),boston_predict.head())

0    24.0
1    21.6
2    34.7
3    33.4
4    36.2
Name: house_price, dtype: float64        0
0  25.03
1  22.00
2  35.91
3  33.80
4  35.47

#ライブラリを宣言する
from sklearn.metrics import r2_score,mean_squared_error,mean_absolute_error

#各指標を出力する
print("R2スコアは",r2_score(boston_answer,boston_predict))
print("MSEは",mean_squared_error(boston_answer,boston_predict))
print("MAEは",mean_absolute_error(boston_answer,boston_predict))

#ルートを計算するためにライブラリを使う
import numpy as np

#mseを変数において，それにルートを取る
mse = mean_squared_error(boston_answer,boston_predict)
print("RMSEは",np.sqrt(mse))

R2スコアは 0.973933685279073
MSEは 2.200506719367588
MAEは 0.9433992094861657
RMSEは 1.483410502648403

使うライブラリはsklearnの中のmetricsモジュールの中にある，r2_scoreとmean_squared_errorとmean_absolute_errorというものです．
分類のときと同様に，function(正解，予測)とすると，その計算結果を返してくれます．
RMSEを直接出す関数はないので，MSEを変数において，numpyというライブラリでルートを取って算出しました．

このデータは大体10から50くらいの値のデータです．±1.48程度なら，かなり正確な予測ができると言っても良さそうですね

【小話】
RMSEは外れ値に敏感に反応し，MAEは外れ値に鈍感という特徴があります．