使用MATLAB神经网络训练回归模型时,常用的性能函数(Neural Network Toolbox Performance Functions)有:①方差、标准差(均方差);②均方误差(MSE)、均方根误差(RMSE);③均方根值(RMS);④平均绝对误差(MAE)、和方差(SSE)、绝对值和误差(SAE),等。可使用命令help nnperformance
查看!
文章目录
1 方差( σ 2 \sigma^2 σ2/ s 2 s^2 s2)、标准差( σ \sigma σ)
标准差、方差反映的是抽样样本自身的离散程度,即样本值
x
i
x_i
xi与样本期望(均值)
x
‾
\overline{x}
x的偏离程度。公式有两种,整体标准差计算为
σ
=
1
n
∑
i
=
1
n
(
x
i
−
x
‾
)
2
(1)
\sigma=\sqrt{\frac{1}{n} \sum_{i=1}^n \left(x_i-\overline{x} \right)^2} \tag{1}
σ=n1i=1∑n(xi−x)2(1)样本标准差计算为
σ
^
=
1
n
−
1
∑
i
=
1
n
(
x
i
−
x
‾
)
2
(2)
\hat{\sigma}=\sqrt{\frac{1}{n-1} \sum_{i=1}^n \left(x_i-\overline{x} \right)^2} \tag{2}
σ^=n−11i=1∑n(xi−x)2(2) 另外,方差即标准差的平方,在MATLAB中可用函数std()
计算
σ
\sigma
σ。
2 均方误差(MSE)、均方根误差(RMSE)
均方误差反映数据的精确度(精度→标准差+准确度→正确程度),即数据与它们的真值之间的偏离程度
M
S
E
(
X
)
=
E
(
X
−
X
~
)
2
=
E
(
X
−
E
(
X
)
+
E
(
X
)
−
X
~
)
2
=
σ
2
+
(
E
(
X
)
−
X
~
)
2
(3)
MSE(X)=E\left(X-\tilde{X}\right)^2=E\left(X-E(X)+E(X)-\tilde{X}\right)^2=\sigma^2+\left(E(X)-\tilde{X} \right)^2 \tag{3}
MSE(X)=E(X−X~)2=E(X−E(X)+E(X)−X~)2=σ2+(E(X)−X~)2(3)式中,
X
X
X为样本观测值,
X
~
\tilde{X}
X~为样本真值,
E
(
X
)
E(X)
E(X)为样本期望。式
(
3
)
(3)
(3)右边第一部分代表“偶然误差”,第二部分代表“系统偏差”。均方根误差等于均方误差的算术平方根。
在MATLAB中,计算两个矩阵的均方误差写成:mse(x,y)
,其本质即
m
s
e
(
x
,
y
)
=
∑
i
=
1
n
(
x
i
−
y
i
)
2
n
(4)
mse(x,y)=\frac{\sum_{i=1}^n \left(x_i-y_i \right)^2}{n} \tag{4}
mse(x,y)=n∑i=1n(xi−yi)2(4)如果参数仅为一个矩阵mse(x)
,则其中的真值视为0,此时计算本质为mse(x)=sum(x.^2)/length(x)
。
3 均方根值(RMS)
均方根值,也称方均根值或有效值,它的计算方法是
先
平
方
→
再
平
均
→
然
后
开
方
先平方→再平均→然后开方
先平方→再平均→然后开方。计算公式如下
R
M
S
(
x
)
=
∑
i
=
1
n
x
i
2
n
=
x
1
2
+
x
2
2
+
x
3
2
+
⋯
x
n
2
n
(5)
RMS(x)=\sqrt{\frac{\sum_{i=1}^n x_i^2}{n}}=\sqrt{\frac{x_1^2+x_2^2+x_3^2+\cdots x_n^2}{n}} \tag{5}
RMS(x)=n∑i=1nxi2=nx12+x22+x32+⋯xn2(5)因此,RMS(x-y)=sqrt(MSE(x,y))
。
4 平均绝对误差(MAE)、和方差(SSE)、绝对值和误差(SAE)
平均绝对误差(MAE):各真误差的绝对值的期望值,计算公式为
E
(
∣
Δ
∣
)
=
∑
i
=
1
n
∣
Δ
i
∣
n
(6)
E(|\Delta|)=\frac{\sum_{i=1}^n |\Delta_i|}{n} \tag{6}
E(∣Δ∣)=n∑i=1n∣Δi∣(6) MATLAB中使用形式为:MAE(x,y)=sum(abs(x-y))/length(x)
。
和方差(SSE):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越成功。计算公式
S
S
E
=
∑
i
=
1
n
w
i
(
y
^
i
−
y
i
)
2
(7)
SSE=\sum_{i=1}^n w_i\left(\hat{y}_i-y_i \right)^2 \tag{7}
SSE=i=1∑nwi(y^i−yi)2(7)即
S
S
E
=
M
S
E
×
n
SSE=MSE×n
SSE=MSE×n。
绝对和误差(SAE)计算公式为:
S
A
E
=
∑
i
=
1
n
∣
x
i
−
y
i
∣
(8)
SAE=\sum_{i=1}^n|x_i-y_i| \tag{8}
SAE=i=1∑n∣xi−yi∣(8)即
S
A
E
=
M
A
E
×
n
SAE=MAE×n
SAE=MAE×n。