本次分享几个容易混淆的量，分别为：
RMS:均方根值
RMSE: 均方根误差
Standard Deviation: 标准差
下面给出三个量的表达公式：
均方根值
$$X_{rms} = \sqrt{ \frac{\sum_{i=1}^{N} X_{i}^{N}} {N}} = \sqrt{\frac{X_{1}^{2} +X_{2}^{2}+ ...+X_{N}^{2}} {N}}$$
均方根误差
$$RMSE = \sqrt{\frac{\sum_{i=1}^{n} (X_{obs,i} - X_{model,i})^{2}}{n}}$$
公式理解： 它是观测值与真值偏差的平方和观测次数$n$比值的平方根，在实际测量中，观测次数$n$总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。均方根误差，当对某一量进行甚多次的测量时，取这一测量列真误差的均方根差(真误差平方的算术平均值再开方)，称为标准偏差，以$\sigma$表示。$\sigma$反映了测量数据偏离真实值的程度，$\sigma$越小，表示测量精度越高，因此可用$\sigma$作为评定这一测量过程精度的标准。
标准差：
$$SD = \sqrt{\frac{sum_{i=1}^{N} (X_{i} - \overline{X})^{2}}{n}}$$
理解： 标准差是方差的算术平方根，也称均方差（$Mean$ $ Square$ $ Error$），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用$\sigma$表示，标准差能反映一个数据集的离散程度。
在机器学习训练模型时，$MSE$ 是最常用的，用来刻画模型的误差。
