方差和分析SSE

SSE是一种简单的误差计算法， 一个很高的方差就意味着波动性很强，也就是说很不符合我们的预期，因此训练算法的原理实际上就是减小方差和误差。
方差和的误差和表示如下：

由于方差和的累加性质，如果训练集扩大，那么方差也会跟着扩大
因此方差和无法处理两个数量规模不同的数据集

均方根误差 RMS

均方根和方差和的关机就如同方差和标准差
将方差和进行开根号，即得到了输出

不同于方差和，均方差是用平均得到的，因此可以比较不同规模的数据

均方误差

神经网络和支持向量机等网络使用的误差分析方法,也就是均方根误差的平均

均方根误差是线性的，如果数据集的误差整体翻了一倍，则RMS也会翻一倍，但是均方误差不会。

误差影响

在对数据进行了大中小三个不同等级的测试后，误差对值的影响为：

训练集偏差

在训练集中，往往数据之间会出现噪声，一个优秀的算法会忽略噪声的影响，但是如一个算法将噪声也算在数据中的化，那么就会对结果产生很大影响，因为噪声的无意义的而且和正常数据差距很大，这样如果模型努力的给噪声找一个合理的意义，就会出现过拟合，导致出现判断失误，也叫做训练集偏差。

评估模型

对于一个需要进行处理的数据而言，一整个标签好的数据序列应该分出一部分用作不同的功能

1. 训练集： 80%
2. 验证集：15%
3. 测试集：5%

以上只是大概占比，实际可以根据需求调整，因为不同的模型去处理同一个训练集，通过和验证集的误差进行比对，误差较小的就是更适合的模型。