MATLAB知识点： SSE: 误差平方和、 MSE: 均方误差、RMSE: 均方根误差、MAE: 平均绝对误差、MAPE: 平均绝对百分比误差、SMAPE: 对称平均绝对百分比误差、R方: 决定系数

​讲解视频：可以在bilibili搜索《MATLAB教程新手入门篇——数学建模清风主讲》。​

MATLAB教程新手入门篇（数学建模清风主讲，适合零基础同学观看）_哔哩哔哩_bilibili

节选自第3章 3.4.2 算术运算

学完了矩阵的算术运算后，我们来做一些练习。

计算用来评价预测效果好坏的一些指标

假设真实值是向量 ，拟合值或预测值是向量

 % 例如我们举一个n为10的例子
y = [100 102 108 117 135 178 198 241 290 349];
y_hat = [93 108 118 117 141 170 196 249 296 359];
n = length(y);    % 10

  SSE: 误差(或残差)平方和（Sum of Squares due to Error）

范围[0,+∞)，当预测值与真实值完全吻合时等于0。误差越大，该值越大。

它的量纲是原来数据量纲的平方。

SSE = sum( (y-y_hat).^2 )  % 489

 MSE: 均方误差（Mean Square Error）

就是SSE除了一个n

范围[0,+∞)，当预测值与真实值完全吻合时等于0。误差越大，该值越大。

它的量纲是原来数据量纲的平方。       

MSE = 1/n*(sum( (y-y_hat).^2 )) % 48.9

RMSE: 均方根误差（Root Mean Square Error）

就是MSE加了个根号

范围[0,+∞)，当预测值与真实值完全吻合时等于0。误差越大，该值越大。

它的量纲和原来数据的量纲相同。

RMSE = sqrt( 1/n*(sum((y-y_hat).^2)) ) % 6.9929

MAE: 平均绝对误差（Mean Absolute Error）

范围[0,+∞)，当预测值与真实值完全吻合时等于0。误差越大，该值越大。

它的量纲和原来数据的量纲相同。

​​​​​MAE = 1/n*( sum( abs(y-y_hat) ) ) % 6.3

MAPE: 平均绝对百分比误差（Mean Absolute Percentage Error）

范围[0,+∞)，当预测值与真实值完全吻合时等于0。

可以看到，MAPE跟MAE很像，就是多了个分母。

注意：当真实值有数据等于0时，存在分母为0的问题，该公式不可用！

fz = y-y_hat; % 分子
MAPE = 1/n*(sum(abs(fz ./ y))) % 0.0403

SMAPE: 对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error）

它的范围是0％到200％，当预测值与真实值完全吻合时等于0。

注：有些地方定义的SMAPE的分母没有加绝对值，这时候SMAPE可能为负数。

fz = abs(y-y_hat); % 分子

fm = (abs(y)+abs(y_hat))/2; % 分母

SMAPE = 1/n*(sum(fz./ fm )) % 0.0399

​​​​​​​R方: 决定系数（Coefficient of determination）

fz = sum((y - y_hat).^2); % 分子

fm = sum((y - mean(y)).^2); % 分母

R2 = 1 - fz/fm % 0.9928

​​​​​​​R方: 决定系数的拓展：

:决定系数、可决系数、R方、拟合优度（Coefficient of determination）

注意：如果使用的是线性回归模型，那么下面两种计算R方的公式都可以使用，且此时R方的范围是[0,1]

式中是y的均值

如果使用的是非线性回归模型，那么R方使用的是第一种定义方法！

且此时R方的范围是(-∞,1].

（线性回归中，两种方法算出来的R方一定相等。非线性回归中只能使用第一种方法计算，第二种算出来的结果是错的！）