Mean squared error MSE即方差
来源:互联网 发布:深圳网站建设网络推广 编辑:程序博客网 时间:2024/06/05 08:05
mse = mean( (sim - obs)^2, na.rm =TRUE)
均方误差 (Mean Squared Error)均方误差
MSE是网络的性能函数,网络的均方误差,叫"Mean Square Error"。比如有n对输入输出数据,每对为[Pi,Ti],i=1,2,...,n.网络通过训练后有网络输出,记为Yi。 在相同测量条件下进行的测量称为等精度测量,例如在同样的条件下,用同一个游标卡尺测量铜棒的直径若干次,这就是等精度测量。对于等精度测量来说,还有一种更好的表示误差的方法,就是标准误差。 标准误差定义为各测量值误差的平方和的平均值的平方根,故又称为均方误差。 设n个测量值的误差为ε1、ε2……εn,则这组测量值的标准误差σ等于:数理统计中均方误差是指参数估计值与参数真值之差平方的期望值,记为MSE
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 ofdetermination
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 theregression,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[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
转载于:http://blog.sina.com.cn/s/blog_57a1cae80101bh65.html
阅读全文
0 0
- Mean squared error MSE即方差
- Mean squared error MSE即方差
- Root Mean Squared Error (RMSE)
- bias & variance 以及 Mean squared error
- 用MATLAB计算平均值和方差mean&&mse
- 方差,标准差,MSE, RMSE
- 平均值(Mean)、方差(Variance)、标准差(Standard Deviation)
- mse
- C++ - Vector 计算 均值(mean) 和 方差(variance)
- C++ - Vector 计算 均值(mean) 和 方差(variance)
- 分类模型的 Loss 为什么使用 cross entropy 而不是 classification error 或 squared error
- 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)
- MEAN
- 方差
- 方差
- 方差
- 方差
- 方差
- 微服务构建
- LeetCode 671. Second Minimum Node In a Binary Tree
- Lock和synchronized比较详解
- Error:Failed to open zip file. Gradle's dependency cache may be corrupt (this sometimes occurs after
- 欢迎使用CSDN-markdown编辑器
- Mean squared error MSE即方差
- emwin字库制作及汉字显示
- 云计算虚拟化实验(二)——虚拟主机之间的网络互访
- RabbitMQ
- 吴恩达深度学习第三章-结构化机器学习
- docker学习笔记(四)
- 类训练-家中的电视
- HttpUrlConnection请求
- JdbcTemplate的常用的方法