SSE,MSE,RMSE,R-square
2017-06-21 19:36
609 查看
转自： http://blog.sina.com.cn/s/blog_628033fa0100kjjy.html
拟合工具箱的几个误差参数说明
| 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 error MSE(均方差、方差)：Mean squared error RMSE(均方根、标准差)：Root mean squared error R-square(确定系数)：Coefficient of determination Adjusted 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 |
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- SSE,MSE,RMSE,R-square 指标讲解
- SSE,MSE,RMSE,R-square指标讲解
- MATLAB拟合中SSE，MSE，RMSE，R-square,Adjusted R-quuare含义
- （转）SSE,MSE,RMSE,R-square指标讲解
- （转）SSE,MSE,RMSE,R-square指标讲解
- 拟合工具箱的几个误差参数说明,SSE,MSE,RMSE,R-square
- 图像BPR,MSE,RMSE,PSNR求取模块
- python之MSE、MAE、RMSE
- RMS:均方根值，RMSE:均方根误差，MSE:标准差,定义及C++实现
- 回归模型效果评估系列2-MAE、MSE、RMSE、MAPE(MAPD)
- 回归评价指标MSE、RMSE、MAE、R-Squared
- 【Spark Mllib】性能评估 ——MSE/RMSE与MAPK/MAP
- 方差（variance）、标准差（Standard Deviation）、均方差、均方根值（RMS）、均方误差（MSE）、均方根误差（RMSE）
- 什么是SAD，SAE，SATD，SSD，SSE，MAD，MAE，MSD，MSE？
- 推荐系统评测指标之RMSE、MSE
- 方差，标准差，MSE， RMSE
- 什么是SAD，SAE，SATD，SSD，SSE，MAD，MAE，MSD，MSE？
- RSS MSE RMSE之间的关系
- 均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)
- 均方误差（MSE）根均方误差（RMSE）平均绝对误差（MAE）