python计算实测数据与模拟数据的拟合优度

要比较实测数据与模拟数据的拟合优度，可以使用统计学中的均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）等指标。

1. 均方根误差（RMSE）：RMSE是实测值与模拟值之间差异的平均值的平方根。它可以用来度量实测值与模拟值之间的误差大小。RMSE越小，说明实测值与模拟值之间的误差越小。

2. 平均绝对误差（MAE）：MAE是实测值与模拟值之间差异的平均值的绝对值。它可以用来度量实测值与模拟值之间的平均误差。MAE越小，说明实测值与模拟值之间的平均误差越小。

3. 决定系数（R²）：R²是实测值与模拟值之间的线性相关性的度量。它可以用来度量模拟值对实测值的解释程度。R²越接近1，说明模拟值对实测值的解释程度越高。

在Python中，可以使用scikit-learn库来计算这些指标。例如，使用以下代码计算RMSE、MAE和R²：

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

#实测值
y_true = [1, 2, 3, 4, 5]

#模拟值
y_pred = [1.2, 2.1, 2.8, 3.9, 5.2]

#计算RMSE
rmse = mean_squared_error(y_true, y_pred, squared=False)
print('RMSE:', rmse)

#计算MAE
mae = mean_absolute_error(y_true, y_pred)
print('MAE:', mae)

#计算R²
r2 = r2_score(y_true, y_pred)
print('R²:', r2)

这段代码的输出结果为：

RMSE: 0.4068523149858652
MAE: 0.31999999999999984
R²: 0.994055944055944

因此，这组数据的拟合优度比较好，RMSE和MAE都比较小，R²接近1。