基本数学概念
均值
样本集的均值是指样本某一特征的均值,它所代表的信息、意义是有限的,有的时候甚至是无意义的,只能对处于同一维度的特征值求均值。
A
n
=
a
1
+
a
2
+
.
.
.
+
a
n
n
A_n=\frac{a_1+a_2+...+a_n}{n}
An=na1+a2+...+an
E ( x ) 表 示 x 的 均 值 E(x) 表示 x 的均值 E(x)表示x的均值
标准差、方差
标准差(又称均方差)在数值上是方差的开平方,它描述的是样本在某一维度上特征值的聚合程度,标准差越大,样本越分散。
σ
=
∑
i
=
1
N
(
x
i
−
E
(
x
)
)
2
N
\sigma = \sqrt{\sum^{N}_{i=1}\frac{(x_i-E(x))^2}{N}}
σ=i=1∑NN(xi−E(x))2
E ( x ) 表 示 x 的 均 值 E(x) 表示 x 的均值 E(x)表示x的均值
描述一个正态分布时,通常以
N
(
μ
,
σ
2
)
N(\mu,\sigma^2)
N(μ,σ2)
来描述,其中 μ 表示均值 σ 表示标准差。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2nY6rEfY-1623929521927)(img\正态分布
.png)]
均方根误差
均方根误差(meansquared error)是各数据***偏离真实值***的距离平方和的平均数开方,也即误差平方和的平均数开方;
均方差(标准差)是各数据***偏离均值***的距离平方和的平均数开方,这是两者的不同。他们的计算公式形式上接近,不开方叫均方误差,开平方叫均方根误差,均方误差和方差形式上接近,标准差是数据偏离均值的平方和平均后的方根,用σ表示,标准差是方差的算术平方根。
举个例子:测量每个时刻六维力传感器的实时的Z方向的力数据,测量的数据用[Fc1 Fc2 Fc3 …Fcn]表示,实际上受到的力为[Fr1 Fr2 Fr3 … Frn],则有下面的计算
测量均值:
E
(
F
c
)
=
∑
i
=
1
n
F
c
i
n
E(F_c)= \frac{\sum^{n}_{i=1}F_{ci}}{n}
E(Fc)=n∑i=1nFci
标准差:
σ
F
c
=
∑
i
=
1
n
(
F
c
i
−
E
(
F
c
)
)
2
n
\sigma_{F_c} = \sqrt{\frac{\sum^{n}_{i=1}{(F_{ci}-E(F_c))^2}}{n}}
σFc=n∑i=1n(Fci−E(Fc))2
均方误差:
M
S
E
=
∑
i
=
1
n
(
F
c
i
−
F
r
i
)
2
n
MSE=\sum_{i=1}^{n}\frac{(F_{ci}-F_{ri})^2}{n}
MSE=i=1∑nn(Fci−Fri)2
均方根误差:
R
M
S
E
=
M
S
E
RMSE = \sqrt{MSE}
RMSE=MSE
均方根值
均方根值(RMS)也称作为效值,它的计算方法是先平方、再平均、然后开方。
R
M
S
=
∑
i
=
1
n
(
x
i
)
2
n
RMS=\sqrt{\frac{\sum^{n}_{i=1}(x_i)^2}{n}}
RMS=n∑i=1n(xi)2
平方、再平均、然后开方。
R
M
S
=
∑
i
=
1
n
(
x
i
)
2
n
RMS=\sqrt{\frac{\sum^{n}_{i=1}(x_i)^2}{n}}
RMS=n∑i=1n(xi)2