SSE,MSE,RMSE,R-square
来源:互联网 发布:公司数据库 编辑:程序博客网 时间:2024/06/06 14:13
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
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
阅读全文
1 0
- SSE,MSE,RMSE,R-square
- SSE,MSE,RMSE,R-square详解
- (转)SSE,MSE,RMSE,R-square指标讲解
- (转)SSE,MSE,RMSE,R-square指标讲解
- MATLAB拟合中SSE,MSE,RMSE,R-square,Adjusted R-quuare含义
- 拟合工具箱的几个误差参数说明,SSE,MSE,RMSE,R-square
- 方差,标准差,MSE, RMSE
- python之MSE、MAE、RMSE
- 图像BPR,MSE,RMSE,PSNR求取模块
- 推荐系统评测指标之RMSE、MSE
- RSS MSE RMSE之间的关系
- RMSE
- 什么是SAD,SAE,SATD,SSD,SSE,MAD,MAE,MSD,MSE?
- 关于SAD,SAE,SATD,SSD,SSE,MAD,MAE,MSD,MSE
- 【Spark Mllib】性能评估 ——MSE/RMSE与MAPK/MAP
- 均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)
- RMS:均方根值,RMSE:均方根误差,MSE:标准差,定义及C++实现
- mse
- tensorflow:上下文管理器 与 name_scope, variable_scope
- 《使用Python进行自然语言处理》学习笔记三
- 120. Triangle
- Spring Boot 集成Mybatis实现主从(多数据源)分离方案
- RC4加密
- SSE,MSE,RMSE,R-square
- Hive 分区操作
- LeetCode ( Populating Next Right Pointers in Each Node II)
- org.hibernate.StaleObjectStateException
- 《使用Python进行自然语言处理》学习笔记四
- Bash scripts-II
- 符号表
- SpringBoot系列之三全局异常的捕获处理
- 二级列表实现CheckBox单选及全选