b0步进与b2步进区别？
区别在于特性不同，b0步进可以更好更容易超频，默认使用基本相同。效果强烈，采用最新设计风格，同时在布局上更加夸张，b2步进表现更加丰富。更精致，同样吸引人。
creo曲面收敛的影响？
确定数值模拟的收敛程度，如果模型总体收敛，收敛准则对结果影响不大，具体精度需要根据实际研究内容确定。一般建议按10-3。如果过大，可能会导致后续施工步骤的发散。。。
模型检验常用方法有哪些？
正确性分析；效度分析；有用性分析；效率分析
正确性分析:(模型稳定性分析、稳健性分析、收敛性分析、变化趋势分析、极值分析等。)
有效性分析:误差分析、参数敏感性分析、模型对比检验。
有用性分析:关键数据解，极值点，拐点，变化趋势分析，用数据进行动态模型验证。
准。
效率分析:时空复杂度分析与已有分析进行比较。
在金融研究中，常用的模型包括以下理论模型:
一般用于解释重要理论，尤其是微观层面的理论。一般模型中的参数不能直接估计，或者理论结果不需要真实数据拟合，比如MM定理。验证模型需要做一些改变或者遵循模型的推论。
结构化理论模型:
模型是理论推导出来的，但可以用实际数据或参数验证，也可以直接计算出结果。比如BS期权定价。
简化模型:
为了找到线性关系，我们不不要直接使用理论模型，而是从模型中寻找一些支持性的语句进行研究，比如时间序列模型。
样本方差的期望和方差？
方差的定义
方差在我们的日常生活中很常见，主要是提供样本的离群程度的描述。举个简单的例子，让让我们买一袋薯片。一般来说，一袋薯片的数量是固定的。让假设平均每个袋子里有50个筹码。即使是机器灌装，也不可能做到每袋正好50片，或多或少都会有一些误差。平均值可以不要测量这个误差。
如果现在有两个薯片品牌，味道都差不多，平均每袋50片。但是A牌筹码一半是80块，另一半是20块。品牌B，99%在45到55之间。你觉得你会买哪个牌子？(不考虑过磅)。
在现代社会，方差的概念基本上与工厂交付的所有产品密不可分。方差越低，工厂的生产能力就越强，这样每一件产品都能做好。反之，如果方差较大，则说明缺陷较多，不够精细。换句话说，方差衡量样本平均距离的期望值。
应该已经写好了:E|X-E(X)|.
但是因为公式中有一个绝对值，我们一般都是平方，这样就消除了绝对值。写:
这里的e是期望的意思，写在统计学里。如果我们不这样做。;如果不理解，我们也可以将公式展开成:
其中n代表样本数，X条代表样本的平均值。Var是英文variance的缩写，我们也可以写成D(X)。
既然方差是用平方计算的，我们也可以求它的根，得到标准差。根号D(X)也可以写成σ(X)。
方差的性质
关于方差有几个著名的性质，如果x是变量，c是常数。所以:
也就是说，每个变量乘以一个常数，那么整体的方差就被c的平方展开了，这个很好理解，因为样本值被放大了c倍，又因为我们在计算方差的时候用了平方，自然就放大了c的平方倍，代入上面展开的公式就很容易证明了。
下一个属性是:
也就是说，所有样本加一个常数，整体的方差不变。如果我们的样本不是一个值，而是一个向量，那么这个公式可以推广到样本加上一个常数向量，样本的方差不变。这也很好理解。给样本加一个常数向量，相当于整体向向量的方向移动了一段距离，不会影响整体的分布。
如果样本x的方差为0，说明样本中只有一个值。
以下属性稍微复杂一些:
也就是说方差等于样本的期望平方减去样本的期望平方。我们很难从定义中得出这个结论，需要严谨的推导:
在某些情况下，我们不方便直接求解样本的方差，但很容易求解平方的期望。这个时候可以考虑用这个公式进行代入。
方差和协方差
一般来说，我们不。;不要在机器学习中直接使用方差，而是更多地在特征分析中使用。我们通过观察特征的方差来感知其离散度，并决定是否对特征进行一些处理。因为对于某些模型来说，如果特征的方差过大，模型可能难以收敛，或者收敛的效果可能受到影响。这时候往往需要考虑一些方法来规范特征值。
除了方差之外，还有一个类似的概念，常用来度量两个变量之间相关性的协方差。
其实协方差的公式也离不开方差。让先简单推导一下。
首先，让我们s看D(XY)，这里X和Y是两个变量，D(XY)代表XY的方差，设让我们看看D(X，Y)和D(X)和D(Y)之间的关系。
根据方差的定义，我们可以推导出:
这里的n是常数，我们可以忽略，只看分子。让让我们扩展公式:
让让我们来看看上面简化后的结果:
在这公式中的D(X)和D(Y)是固定的，不会随着XY的相关性而变化。但后一项不是，跟XY的相关性有关。
我们可以用这一项来反映x和y的相关性，这就是协方差的公式:
所以协方差反映的不是变量的离差和分布，而是两个变量之间的相关性。在这一点上，我们可能看不清楚。它不没关系。让让我们对它做一个简单的变形，然后用它除以两者的标准差:
这种形式非常类似于两个向量之间夹角的余弦，也就是著名的皮尔逊值。皮尔逊值类似于余弦值，可以反映两个分布之间的相关性。如果p值大于0，说明两组变量正相关，否则负相关。我们可以通过计算证明p的值是-1到1之间的一个数。
如果p的值等于0，说明X和Y是完全独立的，没有相关性。如果p的值等于1，就意味着可以找到相应的系数w和b使YWXb