err = immse( X , Y ) обчислює середньоквадратичну помилку (MSE) між масивами X і Y . Нижче значення MSE вказує на більшу подібність між X і Y.
Щоб використовувати середній квадрат помилки з глибоким навчанням, використовуйте regressionLayer або метод dlarray mse. perf = mse(net, t, y, ew) приймає нейронну мережу, net, матрицю або масив клітинок цілей, t, матрицю або масив клітинок виходів, y, і ваги помилок, ew, і повертає середній квадрат помилка.
У регресійному аналізі побудова графіка є більш природним способом перегляду загальної тенденції всіх даних. Можна розрахувати середнє значення відстані від кожної точки до прогнозованої моделі регресії та показати його як середню квадратичну помилку.
E = rmse( F , A ) повертає середню квадратичну помилку (RMSE) між прогнозованим (прогнозованим) масивом F і фактичним (спостережуваним) масивом A .
Обчислення середньої квадратичної помилки подібні до дисперсії. Щоб знайти MSE, візьміть спостережуване значення, відніміть прогнозоване значення та зведіть цю різницю в квадрат. Повторіть це для всіх спостережень.