数学基础--MATLAB 数据拟合 SSE,MSE,RMSE,R-square

Posted Techblog of HaoWANG

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数学基础--MATLAB 数据拟合 SSE,MSE,RMSE,R-square相关的知识,希望对你有一定的参考价值。

本来主要介绍机器学习、曲线拟合中常见的损失函数MSE的定义以及它的求导特性。


 

        数理统计中均方误差是指参数估计值与参数值之差平方的期望值,记为MSE。MSE是衡量“平均误差”的一种较方便的方法,MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度。

  • 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

 

 

 

 


 

 


 

% num返回的是excel中的数据,txt输出的是文本内容,raw输出的是未处理数据
% [num,txt,raw]=xlsread('C:\\Users\\Administrator\\Desktop\\test\\a.xls') 
%  
% 一般情况下,我们读取的是excel中的数据,所以可以直接用下面的命令,只输出数据矩阵便可
[num]=xlsread('E:\\matlab_ws\\20210922单臂轨迹重复测试\\20210923-数据启用\\traj_1.xlsx') ;
[num1]=xlsread('E:\\matlab_ws\\20210922单臂轨迹重复测试\\20210923-数据启用\\traj_2.xlsx') ;
[num2]=xlsread('E:\\matlab_ws\\20210922单臂轨迹重复测试\\20210923-数据启用\\traj_3.xlsx') ;
[num3]=xlsread('E:\\matlab_ws\\20210922单臂轨迹重复测试\\20210923-数据启用\\traj_4.xlsx') ;
[num4]=xlsread('E:\\matlab_ws\\20210922单臂轨迹重复测试\\20210923-数据启用\\traj_5.xlsx') ;
% 第一段轨迹数据
x_t1 = num2(1:800,1);
y_t1 = num2(1:800,2);
z_t1 = num2(1:800,3);
% 第二段轨迹数据
x_t2 = num1(1:800,1);
y_t2 = num1(1:800,2);
z_t2 = num1(1:800,3);

% 第三段轨迹数据
x_t3 = num3(1:800,1);
y_t3 = num3(1:800,2);
z_t3 = num3(1:800,3);


% 计算两段轨迹中轨迹点的欧氏距离
dst = sqrt((x_t1-x_t2).^2 + (y_t1-y_t2).^2 +(z_t1-z_t2).^2 );
cnt = 800;
mn = mean(dst); 
mn_vec = ones(cnt,1)*mn;

% sseSSE(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

% SSE
s = (dst-mn_vec).^2;
SSE = sum(s);

% MSE
MSE = SSE/cnt;

% RMSE
RMSE = sqrt(MSE);

disp("Trajectory Mean Error:"+mn+"(mm)");
disp("Trajectory SSE: "+SSE+"(mm)");
disp("Trajectory MSE: "+MSE+"(mm)");
disp("Trajectory RMSE: "+RMSE+"(mm)");


% 绘图
time_stp = linspace(0,13,cnt);
plot(time_stp,mn_vec,'Color','b','LineWidth',1);
hold on;
plot(time_stp,dst,'Color','r','LineWidth',1);

Trajectory Mean Error: 0.5599(mm)
Trajectory SSE: 146.9341(mm)
Trajectory MSE: 0.18367(mm)
Trajectory RMSE: 0.42856(mm)


参考:

MATLAB拟合中SSE,MSE,RMSE,R-square,Adjusted R-quuare含义_qhsong的博客-CSDN博客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 https://blog.csdn.net/qq_25614747/article/details/55194007

 损失函数 | MSE - 知乎

Picking Loss Functions - A comparison between MSE, Cross Entropy, and Hinge Loss – Rohan Varma – Software Engineer @ Facebookhttps://rohanvarma.me/Loss-Functions/

以上是关于数学基础--MATLAB 数据拟合 SSE,MSE,RMSE,R-square的主要内容,如果未能解决你的问题,请参考以下文章

matlab拟合结果,sse很大,但是R-square接近于1了

MATLAB cftool工具数据拟合结果好坏判断

matlab中的神经网络拟合怎么在mse=1左右就不走了? 请问是他已经收敛了么。这样的结果可以用么?

如何在 python 中计算 SSE

ssemsermse r-square

MATLAB如何选择合适的拟合函数?