SSE(和方差、误差平方和)：The sum of squares due to error
MSE(均方差、方差)：Mean squared error
RMSE(均方根、标准差)：Root mean squared error
R-square(确定系数)：Coecient of determination
Adjusted R-square：Degree-of-freedom adjusted coecient of determination
一、SSE(和方差)
该统计参数计算的是拟合数据和原始数据对应点的误差的平方和，计算公式如下
SSE 越接近于 0，说明模型选择和拟合更好，数据预测也越成功。接下来的 MSE 和 RMSE
因为和 SSE 是同出一宗，所以效果一样
二、MSE(均方差)
该统计参数是预测数据和原始数据对应点误差的平方和的均值，也就是 SSE/n，和 SSE 没
有太大的区别，计算公式如下
三、RMSE(均方根)
该统计参数，也叫回归系统的拟合标准差，是 MSE 的平方根，就算公式如下
在这之前，我们所有的误差参数都是基于预测值(y_hat)和原始值(y)之间的误差(即点对
点)。从下面开始是所有的误差都是相对原始数据平均值(y_ba)而展开的(即点对全)!!!
四、R-square(确定系数)
在讲确定系数之前，我们需要介绍另外两个参数 SSR 和 SST，因为确定系数就是由它们两
个决定的
(1)SSR：Sum of squares of the regression，即预测数据与原始数据均值之差的平方
和，公式如下
(2)SST：Total sum of squares，即原始数据和均值之差的平方和，公式如下
细心的网友会发现，SST=SSE+SSR，呵呵只是一个有趣的问题。而我们的“确定系数”是
定义为 SSR 和 SST 的比值，故
