error_train = mean_squared_error(y_train, y_pred).round(5) # 平方差改成均方根误差

`error_train` 变量在这里计算的是训练数据集上的预测值 `y_pred` 和真实标签 `y_train` 之间的均方误差（Mean Squared Error，MSE）。将 `.mean_squared_error()` 调整为 `.mean_squared_error()` 后，并通过 `.round(5)` 四舍五入到小数点后五位，可能是为了得到更易读的结果，通常在报告性能指标时这样做。

平方差误差（SSE）是指每个预测值与实际值之差的平方的总和。而均方误差则是 SSE 的平均值，它衡量了模型预测的准确程度。均方根误差（Root Mean Squared Error，RMSE）是 MSE 的平方根，给出的是误差的标准偏差形式，更容易理解其实际含义，即预测结果离实际值的平均偏差。

在Python的sklearn库中，`.mean_squared_error()` 是默认返回MSE，如果需要 RMSE，可以先计算MSE再取平方根：

from sklearn.metrics import mean_squared_error
rmse_train = np.sqrt(mean_squared_error(y_train, y_pred)).round(5)