方差（variance）：描述预测值P的变化范围、离散程度，是预测值的方差，也就是离期望值E的距离；
方差越大，数据的分布也就越分散
概率论中，方差用来度量随机变量和起数学期望之间的偏离程度；
统计学中，方差是各个数据分别与其平均数之差的平方的和的平均数；
方差度量同样大小的训练集的变动所导致的学习性能的变化，刻画了数据扰动所来到了影响；
偏差（bias）：描述预测值的期望E与真实值Y之间的差距；
偏差越大，越偏离真实数据
偏差度量学习算法的期望测试与真实结果之间的偏离程度，刻画了学习算法本身的拟合能力；
噪声：在当前任务上任何学习算法所能达到的期望泛化误差的下界，刻画了问题学习本身的难度；
MSE（mean squared Error）：均方误差，描述的真实值减去预测值，然后平方之后求和平均，即
也是线性回归的损失函数。
RMSE（ROOT mean squarederror）：均方根误差，均方差开根号，实质上还是一样的，用于数据更好的描述，使得误差和样本目标变量处于同一个数量级；是比较常用的一个评价标准。
MAE（mean absolute error）：平方绝对值误差，描述的是真实值减去预测值的绝对值之和的平均值
R – Squared：R方，一种标准化的评价方式，0-1之间表示模型的好坏
0表示还不如什么都不预测，直接取值的情况；
1表示所有预测值跟真实值完美匹配的情况；
分子是训练出的模型预测的所有的误差之和，分母是total sum of squared；
