各拟合方式解释：
1、均方误差：
均方误差（Mean Squared Error，MSE）是一种常用的衡量模型预测值与实际观测值之间差异的指标，用于评估模型在给定数据上的拟合程度。MSE 是通过计算预测值与实际观测值之间差异的平方的平均值得到。
MSE 的计算步骤如下：
1、对于每个观测值，计算模型的预测值。
2、对于每个观测值，计算预测值与实际观测值之间的差异，并将其平方。
3、对所有差异值进行求和，并除以观测值的总数，得到平均差异值，即 MSE。
MSE 的数值与原始观测值的单位的平方相同。它表示模型预测值与实际观测值之间的差异的平均大小，较小的 MSE 表示模型的预测值与实际观测值之间的差异较小，即模型的拟合程度较好。
MSE 的优点是对差异值进行平方操作，因此较大误差值对拟合度的影响会更大，这有助于更加敏感地捕捉模型的预测误差。
需要注意的是，MSE 受异常值的影响较大，因为异常值的平方差异会被放大。在使用 MSE 进行模型评估时，需要注意异常值的处理和模型的鲁棒性。
总而言之，MSE 是一种常用的拟合度指标，用于评估模型预测值与实际观测值之间的差异。较小的 MSE 值表示模型的拟合程度较好。
2、均方根误差：
均方根误差（Root Mean Squared Error，RMSE）是一种常用的衡量模型预测值与实际观测值之间差异的指标，它用于评估模型在给定数据上的拟合程度。RMSE 是通过计算预测值与实际观测值之间差异的平方的均值，并取其平方根得到。
RMSE 的计算步骤如下：
1、对于每个观测值，计算模型的预测值。
2、对于每个观测值，计算预测值与实际观测值之间的差异，并将其平方。
3、对所有差异值进行求和，并除以观测值的总数，得到平均差异值。
4、取平均差异值的平方根，即为 RMSE。
RMSE 的数值与原始观测值的单位相同。它可以衡量模型的预测误差的平均大小，较小的 RMSE 表示模型的预测值与实际观测值之间的差异较小，即模型的拟合程度较好。
RMSE 的优点是对较大误差值有较大的惩罚，因为它对差异值进行了平方操作。这可以避免较大误差值对拟合度的影响过大。
需要注意的是，RMSE 受异常值的影响较大，因为异常值的平方差异会被放大。在使用 RMSE 进行模型评估时，需要注意异常值的处理和模型的鲁棒性。
总而言之，RMSE 是一种常用的拟合度指标，用于评估模型预测值与实际观测值之间的差异。较小的 RMSE 值表示模型的拟合程度较好。
3、平均绝对误差
平均绝对误差（Mean Absolute Error，MAE）是一种常用的衡量模型预测值与实际观测值之间差异的指标，用于评估模型在给定数据上的拟合程度。MAE 是通过计算预测值与实际观测值之间差异的绝对值的平均值得到。
MAE 的计算步骤如下：
1、对于每个观测值，计算模型的预测值。
2、对于每个观测值，计算预测值与实际观测值之间的差异的绝对值。
3、对所有差异值进行求和，并除以观测值的总数，得到平均差异值，即 MAE。
MAE 的数值与原始观测值的单位相同。它表示模型预测值与实际观测值之间差异的平均大小，较小的 MAE 表示模型的预测值与实际观测值之间的差异较小，即模型的拟合程度较好。
MAE 的优点是它对异常值的影响较小，因为它使用了差异的绝对值，不受正负方向的影响。
需要注意的是，MAE 并未考虑差异的平方，因此它没有对差异值的平方差异进行放大，相对于均方误差（MSE）来说，MAE 反映了预测误差的绝对大小，而不是误差的平方大小。
总而言之，MAE 是一种常用的拟合度指标，用于评估模型预测值与实际观测值之间的差异。较小的 MAE 值表示模型的拟合程度较好。
4、决定系数（R2）
决定系数（Coefficient of Determination），通常表示为 R²，是一种用于评估回归模型拟合优度的统计指标。它表示因变量的变异性能够由模型解释的比例，即模型对数据的拟合程度。
R² 的取值范围在 0 到 1 之间。一个较高的 R² 值表示模型能够较好地解释因变量的变异性，即模型的拟合程度较好。
R² 的解释如下：
R² = 0：模型无法解释因变量的变异性，即模型的预测值与实际观测值没有关联。
R² = 1：模型完全能够解释因变量的变异性，即模型的预测值与实际观测值完全一致。
R² 的计算方式基于总平方和（Total Sum of Squares，TSS）、回归平方和（Regression Sum of Squares，RSS）和残差平方和（Residual Sum of Squares，ESS）。具体计算步骤如下：
1、计算总平方和（TSS），表示因变量的总变异性。
2、计算回归平方和（RSS），表示模型解释的变异性。
3、计算残差平方和（ESS），表示模型无法解释的剩余变异性。
4、计算 R²，公式为 R² = 1 - (ESS / TSS) = RSS / TSS。
R² 表示模型能够解释的因变量的变异性占总变异性的比例。较高的 R² 值表示模型能够较好地拟合数据，并且其预测值能够较好地解释因变量的变异性。
需要注意的是，R² 的解释存在一些限制。R² 只能衡量模型对因变量的拟合优度，但不能判断模型是否具有因果关系、是否过拟合或是否适合应用于其他数据集。在解释和使用 R² 时，还需要结合其他指标和领域知识来进行综合评估。
总结起来，R² 是一种用于评估回归模型拟合优度的指标，它表示模型能够解释的因变量的变异性的比例。较高的 R² 值表示模型的拟合程度较好。
总平方和（Total Sum of Squares，TSS）、回归平方和（Regression Sum of Squares，RSS）和残差平方和（Residual Sum of Squares，ESS）解释
1、总平方和（Total Sum of Squares，TSS）：TSS 衡量因变量的总变异性。它是实际观测值与因变量均值之间差异的平方的总和。TSS 表示了在没有考虑任何自变量的情况下，因变量的总变异性。
2、回归平方和（Regression Sum of Squares，RSS）：RSS 衡量模型解释的变异性。它是实际观测值与模型的预测值之间差异的平方的总和。RSS 表示了模型能够解释的因变量的变异性，即模型对数据的拟合程度。
3、残差平方和（Residual Sum of Squares，ESS）：ESS 衡量模型无法解释的剩余变异性。它是实际观测值与模型的预测值之间的残差（观测值减去预测值）的平方的总和。ESS 表示了模型无法解释的因变量的剩余变异性，即模型无法完全拟合的部分。