《Matlab拟合好坏常用指标.doc》由会员分享，可在线阅读，更多相关《Matlab拟合好坏常用指标.doc（3页珍藏版）》请在三一文库上搜索。
1、Matlab拟合好坏常用指标用过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、误差平方禾口 ）: 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 ）:Coefficie nt of determ in ati onAdjusted R-square : Degree-of-freedom adjusted coefficie nt of determ in ati on下面我对以上
2、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j-iSSE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1八帰E = SSE 5 =糧（y厂曲2艸i-i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 从下面开始是所有的
3、误差都是相对原始数据平均值（y_hat）和原始值（y）之间的误差（即点对点）。（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 : Sumof squares of the regressi on，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 义为SSR和SST的比值，故R - square =是定确定其实确定系数”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 系数”的正常取值范围为01，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。摘自：http:/blog.si