均方根误差matlab代码

在MATLAB中计算均方根误差（RMSE）的代码如下：

function rmse = calculateRMSE(actual, predicted)
    % 计算实际值和预测值之间的差距
    difference = actual - predicted;
    
    % 计算平方差的平均值
    mse = mean(difference.^2);
    
    % 计算均方根误差
    rmse = sqrt(mse);
end

以上代码定义了一个名为`calculateRMSE`的函数，它接受两个输入参数：`actual`表示实际值向量（或矩阵），`predicted`表示预测值向量（或矩阵）。函数内部首先计算实际值和预测值的差距，然后计算平方差的平均值，最后取平均平方根以得到均方根误差。

你可以将实际值和预测值作为参数传递给此函数，例如：

actual = [1 2 3 4 5];
predicted = [1.2 1.9 2.8 3.7 4.6];

rmse = calculateRMSE(actual, predicted);
disp(rmse);

希望这可以帮助到你！如有其他问题，请随时提问。

相关问题

均方根误差MATLAB代码

在MATLAB中，计算均方根误差（Root Mean Squared Error, RMSE）通常用于评估模型预测结果与真实数据之间的差距。下面是一个简单的函数，它接受一组预测值（`predicted_values`）和对应的真实值（`actual_values`），并计算RMSE：

function rmse = calculate_rmse(predicted_values, actual_values)
% 检查输入是否为空或者维度不匹配
if isempty(predicted_values) || isempty(actual_values) || ~isequal(size(predicted_values), size(actual_values))
    error('Input arrays must be non-empty and have the same dimensions.');
end

% 计算每个元素的平方误差
squared_errors = (predicted_values - actual_values).^2;

% 计算平均平方误差（MSE）
mse = mean(squared_errors);

% 取平方根得到RMSE
rmse = sqrt(mse);
end

使用这个函数的方式如下：

predicted = [1, 2, 3, 4];  % 预测值
actual = [1.5, 2.8, 3.1, 3.9];  % 真实值
rmse_value = calculate_rmse(predicted, actual);
disp(['RMSE: ', num2str(rmse_value)]);

lstm时间序列多步预测均方根误差matlab代码

以下是一个简单的LSTM时间序列多步预测的MATLAB代码示例。假设我们有一个名为data的时间序列数据，我们将使用前60个数据点来训练模型，然后使用模型对接下来10个数据点进行预测。

% 准备数据
data = % 输入你的时间序列数据
n = length(data);
train_data = data(1:60);
test_data = data(61:70);
% 定义LSTM模型
num_features = 1;
num_hidden_units = 10;
num_outputs = 1;
layers = [ ...
    sequenceInputLayer(num_features)
    lstmLayer(num_hidden_units,'OutputMode','last')
    fullyConnectedLayer(num_outputs)
    regressionLayer];
% 定义训练选项
options = trainingOptions('adam', ...
    'MaxEpochs',100, ...
    'GradientThreshold',1, ...
    'InitialLearnRate',0.01, ...
    'LearnRateSchedule','piecewise', ...
    'LearnRateDropFactor',0.1, ...
    'LearnRateDropPeriod',50, ...
    'Verbose',0);
% 训练模型
XTrain = train_data(1:end-1);
YTrain = train_data(2:end);
net = trainNetwork(XTrain,YTrain,layers,options);
% 使用模型进行多步预测
num_predictions = length(test_data);
XTest = test_data(1:end-1);
YTest = test_data(2:end);
YPred = zeros(num_outputs,num_predictions);
net = predictAndUpdateState(net,XTrain);
for i = 1:num_predictions
    [net,YPred(:,i)] = predictAndUpdateState(net,XTest(:,i),'ExecutionEnvironment','cpu');
end
% 计算均方根误差
rmse = sqrt(mean((YPred-YTest).^2));
fprintf('均方根误差: %f\n',rmse);
% 可视化结果
figure
plot(data,'b')
hold on
idx = 61:70;
plot(idx,[train_data(end); YPred],'r.-')
legend(["观测值" "预测值"])
xlabel("时间")
ylabel("值")

注意，此代码仅为示例，可能需要进行修改以适应您的具体数据和问题。