残差平方和:SSE(SumofSquaresforError)=RSS,t是对每个自变量是否有显著影响的检验,一般调整后的R平方更准确，即解释自变量与因变量的比值为27.8%,在聚类算法中，SSE对于我们判断模型是否最优很重要指标,R-square和调整的R-square描述了模型的拟合效果。
误差平方和，又称组内误差平方和，是机器学习中非常重要的概念，广泛应用于聚类和回归算法中。在聚类算法中，所谓误差平方和是指每个数据点的误差，即其到最归属类别质心的欧氏距离，然后求和得到误差平方和。在聚类算法中，SSE对于我们判断模型是否最优很重要指标。我们希望在给定k值的情况下，得到SSE最小的模型，即聚类模型的SSE越小越好，这也是聚类算法的核心优化条件。除了误差的平方和SSE和轮廓系数，也是聚类效果的一种评价方法。它结合了两个因素:凝聚和分离。下面详细描述三者之间的关系。对于基于原型的集群，集群凝聚力可以定义为集群原型的接近度的总和。类似地，两个集群之间的分离程度可以通过两个集群原型的接近程度来度量。
1998年4月22日，沪深交易所宣布对财务或其他情况异常的上市公司股票交易进行特别处理，并在简称前加上“ST”字样，因此这类股票被称为ST股。所谓“财务状况异常”，是指以下情形:(1)最近两个会计年度的审计结果显示净利润为负。(二)最近一个会计年度的审计结果显示股东权益低于注册资本。也就是说，上市公司连续两年亏损或者每股净资产低于股票面值的，应当给予特别处理。(三)注册会计师对最近一个会计年度的财产报告出具了无法表示意见或者否定意见的审计报告。(四)最近一个会计年度经审计的股东权益，扣除未经注册会计师和有关部门确认的部分后，小于注册资本。(5)最近一期经审计的财务报告调整了上一年度的利润，导致连续两个会计年度亏损。(六)被交易所或者中国证监会认定财务状况异常。
含义:回归平方和占总平方和的百分比。该值越大，模型的预测效果越好。其中:SST=SSR SSE，SST为总平方和，SSR为回归平方和，SSE为残差平方和。回归平方和:SSR=ESS。残差平方和:SSE(SumofSquaresforError)=RSS。总偏差的平方和:SST=TSS。SSE SSR=SSTRSS ESS=TSS .SPSS中其他指标的含义:F是回归模型整体的方差检验，所以对应的P是判断f检验显著与否的标准。R-square和调整的R-square描述了模型的拟合效果。一般调整后的R平方更准确，即解释自变量与因变量的比值为27.8%。t是对每个自变量是否有显著影响的检验。是否显著取决于后面P的值。如果P值小于0.05，说明自变量的影响显著。
{3。
