RMSE，MAE和MBE的概念和用处

RMSE (Root Mean Squared Error)、MAE (Mean Absolute Error) 和 MBE (Mean Bias Error) 都是评估预测模型的指标。

RMSE 表示预测值与真实值之间的均方根误差，计算公式为：$\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y_i})^2}$，其中 $y_i$ 表示第 $i$ 个样本的真实值，$\hat{y_i}$ 表示该样本的预测值，$n$ 表示样本数量。RMSE 越小，说明模型的预测效果越好。

MAE 表示预测值与真实值之间的绝对误差的平均值，计算公式为：$\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y_i}|$，其中 $y_i$ 表示第 $i$ 个样本的真实值，$\hat{y_i}$ 表示该样本的预测值，$n$ 表示样本数量。MAE 越小，说明模型的预测效果越好。

MBE 表示预测值与真实值之间的平均偏差，计算公式为：$\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y_i})$，其中 $y_i$ 表示第 $i$ 个样本的真实值，$\hat{y_i}$ 表示该样本的预测值，$n$ 表示样本数量。MBE 表示模型预测的平均误差方向，如果 MBE 为正，说明模型的预测值偏高；如果 MBE 为负，说明模型的预测值偏低。

这些指标的用处在于评估模型的预测效果。不同的指标适用于不同的场景，RMSE 较适用于误差较大的情况，MAE 则更为鲁棒，而 MBE 则主要用于检查模型是否存在偏差。在实际应用中，可以结合不同的指标来评价模型的整体效果。