excle里如何对样本进行计算均方根误差

在 Excel 中，可以使用以下公式来计算均方根误差：

=SQRT(AVERAGE((预测值-实际值)^2))

其中，预测值和实际值是两个列的数据，可以使用绝对引用或相对引用来引用这两个列的数据。请注意，这个公式假定预测值和实际值的数量是相等的。

举个例子，假设你有一个包含预测值和实际值的数据集，分别位于 A 列和 B 列。你可以在 C 列中输入以下公式：

=SQRT(AVERAGE((A2-B2)^2))

然后将该公式拖动到 C 列的其他单元格中，即可计算出所有样本的均方根误差。

相关问题

请写一个使用MLP神经网络进行混凝土强度预测的代码，数据集包括有五个输入变量和一个输出变量，共1030个样本。要求输出预测图，求得平均绝对误差、平均绝对百分误差和均方根误差、R2等评价指标，同时使用交叉验证方法进行模型选择和评估。

好的，以下是使用MLP神经网络进行混凝土强度预测的代码。

首先，我们需要导入相关的库和数据集：

import numpy as np
import pandas as pd
from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import cross_val_score, train_test_split
from sklearn.metrics import mean_absolute_error, mean_absolute_percentage_error, mean_squared_error, r2_score

# 导入数据集
data = pd.read_excel('concrete_data.xlsx')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

然后，我们可以将数据集分为训练集和测试集：

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

接下来，我们可以建立MLP神经网络模型，并进行交叉验证：

# 建立MLP神经网络模型
mlp = MLPRegressor(hidden_layer_sizes=(100, 50, 10), random_state=0)

# 进行交叉验证
scores = cross_val_score(mlp, X_train, y_train, cv=5)
print("交叉验证得分：", scores.mean())

在建立完模型并进行交叉验证之后，我们可以使用训练集来训练模型，并使用测试集来进行预测：

# 训练模型
mlp.fit(X_train, y_train)

# 对测试集进行预测
y_pred = mlp.predict(X_test)

最后，我们可以计算评价指标，包括平均绝对误差、平均绝对百分误差、均方根误差和R2，并输出预测图：

# 输出预测图
import matplotlib.pyplot as plt
plt.scatter(y_test, y_pred)
plt.xlabel("True Values")
plt.ylabel("Predictions")
plt.show()

# 计算评价指标
print("平均绝对误差：", mean_absolute_error(y_test, y_pred))
print("平均绝对百分误差：", mean_absolute_percentage_error(y_test, y_pred))
print("均方根误差：", np.sqrt(mean_squared_error(y_test, y_pred)))
print("R2：", r2_score(y_test, y_pred))

这样，我们就完成了使用MLP神经网络进行混凝土强度预测的代码，并计算了相应的评价指标。

请写一个使用MLP神经网络进行混凝土强度预测的代码，数据集包括有五个输入变量和一个输出变量，共1030个样本数。要求输出预测图，求得平均绝对误差、平均绝对百分误差、均方根误差、R2等评价指标。拟合精度越精确越好。

好的，以下是使用MLP神经网络进行混凝土强度预测的Python代码，使用Keras库实现，同时计算了平均绝对误差、平均绝对百分误差、均方根误差和R方值等评价指标，并绘制了预测图。

import pandas as pd
import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense
from keras.callbacks import EarlyStopping
import matplotlib.pyplot as plt

# 读取数据集
data = pd.read_excel('concrete_data.xlsx')

# 分离自变量和因变量
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 数据集归一化处理
for i in range(X.shape[1]):
    X[:, i] = (X[:, i] - X[:, i].mean()) / X[:, i].std()
y = (y - y.mean()) / y.std()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 构建MLP模型
model = Sequential()
model.add(Dense(32, input_shape=(X_train.shape[1],), activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dense(1))

# 模型编译
model.compile(loss='mse', optimizer='adam')

# 设置EarlyStopping
early_stopping = EarlyStopping(monitor='val_loss', patience=20)

# 训练模型
history = model.fit(X_train, y_train, epochs=500, batch_size=32, validation_split=0.2, callbacks=[early_stopping])

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算评价指标
mae = mean_absolute_error(y_test, y_pred)
mape = np.mean(np.abs((y_test - y_pred) / y_test)) * 100
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
r2 = r2_score(y_test, y_pred)

# 输出评价指标
print('MAE:', mae)
print('MAPE:', mape)
print('RMSE:', rmse)
print('R2 Score:', r2)

# 绘制预测图
plt.plot(y_test, label='True')
plt.plot(y_pred, label='Predicted')
plt.legend()
plt.show()

其中，数据集`concrete_data.xlsx`包含了五个输入变量和一个输出变量，共有1030个样本。代码首先读取数据集，并将自变量和因变量分离出来，然后对自变量和因变量进行归一化处理。接着，使用`train_test_split`函数将数据集划分为训练集和测试集。然后，构建一个包含两个隐藏层的MLP模型，并使用`Adam`优化器和均方误差损失函数进行模型编译。在训练模型时，使用`EarlyStopping`回调函数进行早期停止，以避免过拟合。训练完模型后，使用模型在测试集上进行预测，并计算平均绝对误差、平均绝对百分误差、均方根误差和R方值等评价指标。最后，绘制预测图。