1. 方差: 组内差异，一般为一维数据

标准差(均方差、均方根差)【总方差】: 反映检测值与样本平均值间的偏差，为有偏估计。

在实际情况中，总体均值很难得到，往往通过抽样来计算，于是有样本方差S(无偏估计)

2. 数学期望E(xi)

数学期望：离散型随机变量 xi 和对应概率的乘积。公式如下：

应用场景

3.协方差：组间差异，描述多维数据

概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。

X, Y 协方差为4.0 ，是正相关，从上面的图像我们也可以看到像x，y 变化是一致的。

注意：numpy cov 默认自由度为1.

协方差矩阵：[[2. 4.] [4. 8.]]， 既然协方差反应了相关性，那我们怎么衡量呢？皮尔逊相关性， 很简单，用协方差除以标准差即可，就是协方差归一化的过程：

4.标准误：衡量抽样误差，越小代表抽样数据越能反应总体的特征

5. 均方误差（Mean Squared Error，MSE）：均方误差是指参数估计值与参数真值之差平方的期望值。

6. 均方根误差(Root Mean square Error, RMSE): MSE的平方根，反映真实值和预测值间的偏差。

7.平均绝对误差(Mean absolute Error, MAE): 真实值与预测值绝对误差的平均值，与标准差相比，MAE离差被绝对值化，不会出现正负相抵消的情况，更好地反映预测值误差的实际情况。