c++已知2点求中垂线_电力系统负荷预测-基本方法以及分析（2）

4.预测模型选择的标准

4.1 基本准则

基本的准则有残差平方和以及均方误差（MSE） ， 残差平方和定义为：

均方误差的定义为：

n为样本容量。

如果模型选择以MSE为标准，则容易出现过拟合。

过拟合（over-fitting）也称为过学习，它的直观表现是算法在训练集上表现好，但在测试集上表现不好，泛化性能差。过拟合是在模型参数拟合过程中由于训练数据包含抽样误差，在训练时复杂的模型将抽样误差也进行了拟合导致的。所谓抽样误差，是指抽样得到的样本集和整体数据集之间的偏差。直观来看，引起过拟合的可能原因有：

模型本身过于复杂，以至于拟合了训练样本集中的噪声。此时需要选用更简单的模型，或者对模型进行裁剪。

训练样本太少或者缺乏代表性。此时需要增加样本数，或者增加样本的多样性。

训练样本噪声的干扰，导致模型拟合了这些噪声，这时需要剔除噪声数据或者改用对噪声不敏感的模型。

4.2 对自由度施加惩罚的模型选择标准

4.2.1 自由度修正均方差

这里的自由度是待估计的参数个数, 增加自由度惩罚的均方差定义为：