模型估计为ARIMA(4,0,2)，即ARMA(4,2)
系数为：
ar1 ar2 ar3 ar4 ma1 ma2
-0.5505 0.2316 0.0880 -0.4325 -0.1944 -0.5977
s.e. 0.1657 0.1428 0.1402 0.1270 0.1766 0.1732
s.e.是系数的标准差，系数显著性要自己算，|系数/se| >1.96 即 95％的置信度
sigma^2 estimated 估计值方差
log likelihood 对数似然值
（这个不用解释了吧）
AIC=709.13 AICc=710.73 BIC=725.63
再就是下面一堆误差计算
ME Mean Error
RMSE Root Mean Squared Error
MAE Mean Absolute Error
MPE Mean Percentage Error
MAPE Mean Absolute Percentage
MASE Mean Absolute Scaled Error
分类任务的评价指标 有准确率，P值，R值，F1值，而回归任务的评价指标就是 MSE ， RMSE ， MAE 、 R-Squared均方误差MSE是真实值与预测值的差值的平方和然后求平均。通过平方的形式便于求导，所以常被用作线性回归的损失函数。 均方根误差RMSE，即均方误差开平方，常用来作为机器学习模型预测结果衡量的标准。MAE是绝对误差的平均值。可以更好地反映预测值误差的实际情况。R-Squared 又叫可决系数(coefficient of determination)，也叫拟合优度，反映的是自变量 对因变量 的变动的解释的程度。越接近于1，说明模型拟合得越好。在sklearn中回归树就是用的该评价指标。 可以这么理解：将TSS理解为全部按平均值预测，RSS理解为按模型预测，这就相当于去比较你模型预测和全部按平均值预测的比例，这个比例越小，则模型越精确。当然该指标存在负数的情况，即模型预测还不如全部按平均值预测 缺点：当数据分布方差比较大时，预测不准时， 依然比较大，此时该评价指标就不太好其中：表述真实值 的变动程度，正比于方差表示模型预测 和真实值 之间的残差使用sklearn计算：MAE: 范围 , 当预测值与真实值完全吻合时等于0, 即完美模型误差越大, 该值越大。 MAPE: 范围[0,+ ), MAPE 为0%表示完美模型， MAPE大于100%则表示劣质模型。MAPE的值越小，说明预测模型拥有更好的精确度.因为严格地说，R^2主要用来衡量模型的拟合程度（模型质量好坏）；
平均绝对误差MAE（MeanAbsolute Error），即误差绝对值的平均值，可以准确反映实际预测误差的大小。
均方误差MSE（Mean SquareError），误差平方的平均值。
均误差平方根RMSE（Root MSE），也称标准误差，是均方误差的算术平方根。
平均误差率MAPE（MeanAbsolute Percentage Error），误差百分率的绝对值的平均值。
这五个指标都可以衡量模型的好坏，除了R^2，其它四个指标主要用来评估预测值的准确程度。这些指标，到底用哪个好呢，目前并没有固定的标准。但不管用哪个指标，评估模型的好坏都不能够脱离具体的应用场景和具体的数据集。单纯地评判哪个模型好坏，是基本上没有意义的。
![c语言问题 统计单词的词频①编写函数void count(char a[],char w[][10](/aiimages/c%E8%AF%AD%E8%A8%80%E9%97%AE%E9%A2%98+%E7%BB%9F%E8%AE%A1%E5%8D%95%E8%AF%8D%E7%9A%84%E8%AF%8D%E9%A2%91%E2%91%A0%E7%BC%96%E5%86%99%E5%87%BD%E6%95%B0void+count%28char+a%5B%5D%2Cchar+w%5B%5D%5B10.png)
