第一R-squareda and Adjusted R-squared R-squared：
定义：衡量模型拟合度的一个量，是一个比例式，比例区间为[0,1],越接近1，表示模型拟合度越高
公式：R-squared= SSR/SST
= 1-SSE/SST
其中：SST是原始数据和均值之差的平方和，SSR即预测数据和原始数据均值之差的平方和，回归模型不能解释的方差，SSE是拟合数据和原始数据对应点的误差的平方和，且SST= SSE+SSR。For example:
lets say that we have 5, 6, 7, and 8, and a model predicts the outcomes as 4.5, 6.3, 7.2, and 7.9. Then,
SSE can be calculated as: SSE = (5 – 4.5) ^ 2 + (6 – 6.3) ^ 2 + (7 – 7.2) ^ 2 + (8 – 7.9) ^ 2;
and SST can be calculated as: mean = (5 + 6 + 7 + 8) / 4 = 6.5; SST = (5 – 6.5) ^ 2 + (6 – 6.5) ^ 2 + (7 – 6.5) ^ 2 + (8 – 6.5) ^ 2
R-squared 正常情况下取值范围为0-1，描述的是输入变量对输出变量的解释程度，在单变量线性回归中R-square越大，越接近1越好。然而只要增加了更多的变量，无论增加的变量是否和输出存在关系，则R-squared要么保持不变，要么增加。所以需要adjusted R-squared，它会对那些增加的且不会改善模型效果的变量增加一个惩罚项。
定义：The Adjusted R-squared value is similar to the Multiple R-squared value,
but it accounts for the number of variables. This means that the Multiple R-squared will always increase
when a new variable is added to the prediction model, but if the variable is a non-significant one, the Adjusted R-squared value will decrease.
公式：
where:
- N is the number of points in your data sample.（样本数量）
- K is the number of independent regressors, i.e. the number of variables in your model, excluding the constant.(即模型中变量的个数，不包括常数)
第二：协方差和相关系数
两个随机变量线性相关性越大，协方差越大，线性相关性越小，协方差越小。
当X，Y是同一个随机变量时，X与其自身的协方差就是X的方差，可以说方差是协方差的一个特例。
由于随机变量的取值范围不同，连个协方差之间不具备可比性。如X，Y，Z分别是三个随机变量，想要比较X跟Y的相关性强，还是X与Z的相关性强。直接通过cov(X,Y)与cov(X,Z)无法直接比较。定义相关系数为：
将协方差归一化之后才具有可比性，得到相关系数，取值范围为[-1,1].1表示完全线性相关，-1表示完全线性负相关，0表示线性无关。线性无关并不代表完全无关，更不代表相互独立。
样本协方差：
协方差矩阵 ：多维随机变量的协方差矩阵
样本的协方差矩阵：
第三：MSE
用 真实值-预测值 然后平方之后求和平均，就是线性回归的损失函数。
第四：RMSE
RMSE也是一种回归评价指标，Root Mean Square Error，均方根误差
