《Matlab曲线拟合SSE等含义》由会员分享，可在线阅读，更多相关《Matlab曲线拟合SSE等含义（2页珍藏版）》请在金锄头文库上搜索。
1、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
2、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
3、(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
