MATLAB二维数据拟合工具箱中的参数用法（SSE、MSE、RMSE、R-square、Adjusted R-square）

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
R-square(确定系数)：Coefficient of determination
Adjusted R-square：Degree-of-freedom adjusted coefficient of determination

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，计算公式如下

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。接下来的MSE和RMSE因为和SSE是同出一宗，所以效果一样

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，也就是SSE/n，和SSE没有太大的区别，计算公式如下

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，就算公式如下

在这之前，我们所有的误差参数都是基于预测值(y_hat)和原始值(y)之间的误差(即点对点)。从下面开始是所有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)
在讲确定系数之前，我们需要介绍另外两个参数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，公式如下

(2)SST：Total sum of squares，即原始数据和均值之差的平方和，公式如下

细心的网友会发现，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

其实“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知道“确定系数”的正常取值范围为[0 1]，越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好

关于MATLAB曲线拟合的几点学习心得：

最小二乘法拟合常用的多项式曲线拟合的函数是polyfit和polyval，这两个函数的具体用法如下图所示：

对于该函数而言，p是所得系数，根据该系数可以得到拟合多项式方程，用得到的多项式方程可以做数据预测，当输入x变化时可得到相应的y值，这个y值最后分布的趋势跟原始的y值趋势相同。

由于在该函数中y=polyval(p,x)计算多项式p在x的每个点处的值，故该值就是我们想要的拟合后的y值。这是之前我没有想明白的地方。

clc,
close all;
clear all;
y=[0.873	0.850	0.856	0.862	0.767	0.787	0.770	0.785	0.730	0.737	0.721];
x=1:11;
figure,plot(x,y,'*')
y2=polyfit(x,y,5);
p=polyval(y2,x);
hold on 
plot(x,p,'--')