资源预览内容
亲,该文档总共2页全部预览完了,如果喜欢就下载吧!
资源描述
使用过 Matlab 的拟合、优化和统计等工具箱的网友,会经常遇到下面几个名词:SSE(和方差、误差平方和):The sum of squares due to errorMSE(均方差、方差):Mean squared errorRMSE(均方根、标准差):Root mean squared errorR-square(确定系数):Coefficient of determinationAdjusted R-square:Degree-of-freedom adjusted coefficient of determination下面我对以上几个名词进行详细的解释下,相信能给大家带来一定的帮助!一、SSE(和方差)该统计参数计算的是拟合数据和原始数据对应点的误差的平方和,计算公式如下SSE 越接近于 0,说明模型选择和拟合更好,数据预测也越成功 。接下来的 MSE 和 RMSE因为和 SSE 是同出一宗,所以效果一样二、MSE(均方差)该统计参数是预测数据和原始数据对应点误差的平方和的均值,也就是 SSE/n,和 SSE 没有太大的区别,计算公式如下三、RMSE(均方根)该统计参数,也叫回归系统的拟合标准差,是 MSE 的平方根,就算公式如下在这之前,我们所有的误差参数都是基于预测值(y_hat)和原始值 (y)之间的误差(即点对点)。从下面开始是所有的误差都是相对原始数据平均值(y_ba)而展开的(即点对全)!四、R-square(确定系数)在讲确定系数之前,我们需要介绍另外两个参数 SSR 和 SST,因为确定系数就是由它们两个决定的(1)SSR: Sum of squares of the regression,即预测数据与原始数据均值之差的平方和,公式如下(2)SST:Total sum of squares,即原始数据和均值之差的平方和,公式如下细心的网友会发现,SST=SSE+SSR,呵呵只是一个有趣的问题。而我们的“确定系数”是定义为 SSR 和 SST 的比值,故其实“确定系数” 是通过数据的变化来表征一个拟合的好坏。由上面的表达式可以知道“确定系数”的正常取值范围为0 1,越接近 1,表明方程的变量对 y 的解释能力越强,这个模型对数据拟合的也较好
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号