船位均方误差公式，LMMSE算法

std这个函数就是求均方差的，但要注意std这个函数有两种调用形式，help-std查看详细信息！方均根误差 RMSe=sqrt(sum((Ti-Ai).^2)/n) 这当中 Ti 是准确值数组，Ai 是模型的预估值数组，而n是数据点的总个数。

1、RMSE（均方根误差）即标准误差：

假设数据在A1：Z1

标准方差用函数=STDEV（A1:Z1）

方差用函数=VARA（A1:Z1）

2、MRE（平相对来说都误差）

Excel/函数/统计/STDEV（Sd）

function f=RMSE(h1,h2)%RMSE return RMSE(均方根误差) 求两图像的均方根误差%input must be a imagehandle 输入图像句柄%image fusion evaluate parameter 图像融合评价参数%example% 标准图像 h1% 融合后图像 h2% f=RMSE(h1，h2)；

RMSE 越小越好

按照经验法则，基本上RMSE值在0.2 ~ 0.5当中，说明该模型可以较准确地预测数据。除开这点校正后的r平方大于0.75是一个很好的值来显示准确度。在某些情况下，调整后的r平方值为0.4或更多也是可以接受的

均方误差越大越好_经常会用到度量-MAE(平均绝对误差经常会用到度量-MAE(平均绝对误差)和RMSE(均方根

经常会用到度量–MAE(平均绝对误差)和RMSE(均方根误差)

MAE和RMSE是有关连续变量的两个普遍的度量标准。

定义

1)我们看看流行RMSE，全称是Root Mean Square Error，即均方根误差，它表示预测值和观测值当中差异(称为残差)的样本标准偏差。

均方根误差为了说明样本的离散程度。做非线性拟合时,RMSE越小越好。

标准差与均方根误差的区别：

标准差是用来衡量一组数自己的离散程度，而均方根误差是用来衡量观测值同真值当中的偏差，它们的研究对象和研究目标不一样，但是，计算过程类似。

比如:S={[(x1-x)2+(x2-x)2+…(xn-x)2]/N}

0.5(x为平均数，N为样本个数)此公式中的X其实就是常说的这里说的的平均数应改成x’1,x’2…(即真实值)。均方根误差算的是观测值与其真值，或者观测值与其模拟值当中的偏差，而不是观测值与其平均值当中的偏差。

2)MAE，全称是Mean Absolute Error，即平均绝对误差，它表示预测值和观测值当中绝对误差的平均值。

MAE是一种线性成绩，全部个体差异在平均值上的权重都相等，例如，10和0当中的绝对误差是5和0当中绝对误差的两倍。

越大越好，因为有膨胀感恩。

RPD=stdev/ rmse是标准差与均方根误差的比值，证明模型的预测能力。

RPD=stdev/rmse是标准差与均方根误差的比值，证明模型的预测能力。

std这个函数就是求均方差的，但要注意std这个函数有两种调用形式，help-std查看详细信息！

方均根误差 RMSe=sqrt(sum((Ti-Ai).^2)/n) 这当中 Ti 是准确值数组，Ai 是模型的预估值数组，而n是数据点的总个数。

假设有p个自变量，每个变量都拥有n组数据。第一定义一个X变量矩阵，即一个n*(p+1)阶矩阵。然后需得出X的转置矩阵X，可以用选择性黏贴里的转置，也可用转置函数。

然后进行矩阵乘法计算，得出x*x，用MMULT函数。

然后再对得出的“x*x”进行逆矩阵解答，即要得出（x*x）^-1，用MINVERSE(）函数，然后逆矩阵中对角线上的值开根号再乘以rmse（均方根误差或者叫回归标准差）就是每个回归参数的标准误差Std error了。

Matlab拟合好坏经常会用到指标

用过Matlab的拟合、优化和统计等工具箱的网络用户，会常常碰见下面哪些名词：

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。

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

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。 的MSE和RMSE因为和SSE是同出一宗，故此，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，其实就是常说的SSE/n，和SSE没有太大的区别。

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。

在这以前，我们全部的误差参数都是根据预测值(y_hat)和原始值(y)当中的误差(即点对点)。从下面启动是全部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) 在讲确定系数以前，我们需讲解另外两个参数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，公式请看下方具体内容

(2)SST：Total sum of squares，即原始数据和均值之差的平方和，公式请看下方具体内容细心的网络用户会发现，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，故实际上“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清楚“确定系数”的正常取值范围。

一是看有关系数如何越接近1越好，大多数情况下要求大于0.9，统计量的可能性大多数情况下要小于0.05，所做的模型才可以使用。 除开这点，残差的置信区间应该涵盖0，但是，针对拟合到什么程度，才算满意没有严格的标准来进行界定。