前言

数据总是杂乱而大量的，我们需要快速抓住其特征，以此在脑海中形成一个实在的观念。我们看一个人，首先看外貌、形态、穿着，然后是举止、品格。对于数据也是一样，要先用一些指标来描述。

标准差

考虑一个数列关于其平均数的散布常常是有益的，这种散布我们用标准差 (SD 或者 std，standard deviation) 来度量。标准差指出了数列中的数离它们的平均数有多远，或者数列的项的相对于平均数的波动程度是否大(高逼格的叫法是离散程度)。公式中数值 (皆为实数)，其平均值 (算术平均值) 为 ，标准差为 。写成公式：

粗略地，(约)的项在区间 之间，而的项在之间(证明略)。

方差

其含义是每个值相对于平均值的距离的平均值。它反映了数据的波动情况，或者高逼格一点叫“离散程度”。这里是总体方差，对应的，我们有样本方差。样本方差可能很不同于总体方差。比如当数据为 1,1,1,10,10,10，总体方差为 20.25，而你恰好抽取 1,1,1，样本方差为 0，误差很大。

经过一点简单的代数运算，我们可以得到方差的另一种形式：

利用 Python 计算标准差和方差：

import numpy as np

a1 = np.array([9,9,10,10,10,12])
a1.std() # 标准差
a1.var() # 方差

均方根

均方根 (RMS, root mean square) ，顾名思义，就是数列各项的值的平方和的平方根。

均方根误差

均方根主要应用在物理学中，这里不多说（我也不懂物理），我们主要用它的兄弟：均方根误差 (RMSE, root mean square error) 来描述两个数列的“相合程度”。 表示另一个数列的项。那么：

显然，均方根误差越小，两个数列越接近。

均方误差

均方误差 (MSE, mean squared error) 也就是均方根误差的平方。

利用 Python 计算：

from sklearn.metrics import mean_squared_error
import math

MSE = mean_squared_error([1,2],[1,4])
RMSE = math.sqrt(MSE)

后记

在线性回归模型中，我们可以用均方误差表示模型的 fit 程度。在机器学习中，这被称为“损失函数” (cost function)，使得函数值最小的解，就是最终训练的结果。

平均数、最大值、最小值比较简单，不解释。