r语言对模型输出预测值与实际值计算R2,MS残,RMSE和NRMSD,实现模型评估

#此函数可由模型输出的预测值和实际值计算r2或均方根误差RMSE或归一化后的均方根偏差NRMSD
#公式参考吴今朝译《R语言机器学习》323-324页
r2.test<-function(y_actual,y_predicted){
  avr_y_actual <- mean(y_actual)
  ss_total <- sum((y_actual - avr_y_actual)^2)
  ss_regression <- sum((y_predicted - avr_y_actual)^2)
  ss_residuals <- sum((y_actual - y_predicted)^2)
  rsquare <- 1 - ss_residuals / ss_total
  #return(rsquare)#当模型偏差过大,rsquare很小时,不采用rsquare统计
  n1<-length(y_actual)
  n2<-length(y_predicted)#要求n1==n2
  meansquare<-ss_residuals/(n1-2)
  #参考王辰勇译《线性回归分析导论》12页
  #return(meansquare)#MS残
  RMSE<-(ss_residuals/n1)^0.5
  NRMSD<-RMSE/avr_y_actual
  return(NRMSD)
  }

  • 2
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
计算机断层摄影(CT)成像的实际应用中,由于存在高剂量辐射给患者的风险,因此希望可以从有限的投影数据中准确地重建高质量的CT图像。 尽管投影有限,但重建的图像经常会遭受严重的伪影,并且对象的边缘模糊。 近年来,基于压缩感测的重建算法已经从有限的投影中吸引了大量注意力,用于CT重建。 在本文中,为消除条纹伪影并保留对象的边缘结构信息,我们提出了一种基于加权总差(WTD)最小化的新型迭代重建算法,并证明了该算法的优越性能。 WTD度量在梯度域中同时执行稀疏性和方向连续性,而常规的总差(TD)度量仅在水平和垂直方向上实施梯度稀疏性。 为了解决基于WTD的少数视图CT重建模型,我们使用了软阈滤波方法。 进行了数实验,验证了算法的有效性和可行性。 对于典型的FORBILD头部幻影切片,在实验中使用40个投影,我们的算法在均方根误差(RMSE),归一化均方根距离( NRMSD)和归一化平均绝对距离(NMAD)度量,并且在峰信噪比(PSNR)度量方面具有超过10%的增益。 对于噪声预测的实验,我们的算法在RMSENRMSD和NMAD度量方面的收益超过15%,在PSNR度量方面的收益超过4%,优于基于TD的算法。 实验结果表明,我们的算法在抑制条纹伪影和保留对象的边缘结构信息方面取得了较好的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值