MATLAB神经网络训练性能函数

  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！

1 方差(${\sigma }^2$/$s^2$)、标准差($\sigma$)

  标准差、方差反映的是抽样样本自身的离散程度，即样本值$x_i$与样本期望（均值）$\overline{x}$的偏离程度。公式有两种，整体标准差计算为
$$\sigma =\sqrt{\frac{1}{n}\sum _{i=1}^n{\left(x_i-\overline{x}\right)}^2}\text{\hspace{1em}(1)}$$样本标准差计算为
$$\hat{\sigma }=\sqrt{\frac{1}{n-1}\sum _{i=1}^n{\left(x_i-\overline{x}\right)}^2}\text{\hspace{1em}(2)}$$  另外，方差即标准差的平方，在MATLAB中可用函数std()计算$\sigma$。

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
$$MSE(X)=E{\left(X-\tilde{X}\right)}^2=E{\left(X-E(X)+E(X)-\tilde{X}\right)}^2={\sigma }^2+{\left(E(X)-\tilde{X}\right)}^2\text{\hspace{1em}(3)}$$式中，$X$为样本观测值，$\tilde{X}$为样本真值，$E(X)$为样本期望。式$(3)$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
$$mse(x,y)=\frac{{\sum }_{i=1}^n{\left(x_i-y_i\right)}^2}{n}\text{\hspace{1em}(4)}$$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$先平方\to 再平均\to 然后开方$。计算公式如下
$$RMS(x)=\sqrt{\frac{{\sum }_{i=1}^n{x}_i^2}{n}}=\sqrt{\frac{x_1^2+x_2^2+x_3^2+\cdots x_n^2}{n}}\text{\hspace{1em}(5)}$$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
$$E(|\Delta |)=\frac{{\sum }_{i=1}^n|{\Delta }_i|}{n}\text{\hspace{1em}(6)}$$  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
$$SSE=\sum _{i=1}^n{w}_i{\left({\hat{y}}_i-y_i\right)}^2\text{\hspace{1em}(7)}$$即$SSE=MSE\times n$。
  绝对和误差(SAE)计算公式为：
$$SAE=\sum _{i=1}^n|x_i-y_i|\text{\hspace{1em}(8)}$$即$SAE=MAE\times n$。