用MATLAB写一段通过mse计算r2值的代码

可以使用以下代码来计算通过 MSE（Mean Squared Error）计算 R2 值：

% 假设你有两个向量 y_true 和 y_pred，分别表示实际值和预测值

% 计算MSE
mse = mean((y_true - y_pred).^2);

% 计算R2
ss_res = sum((y_true - y_pred).^2);
ss_tot = sum((y_true - mean(y_true)).^2);
r2 = 1 - (ss_res / ss_tot);

% 输出结果
fprintf('MSE: %.4f\n', mse);
fprintf('R2: %.4f\n', r2);

其中，MSE 表示均方误差，R2 表示决定系数。

相关问题

gbdt回归预测matlab代码

GBDT（梯度提升决策树）是一种基于决策树的集成学习算法，可以用于回归问题。下面是一个GBDT回归预测的MATLAB代码示例。

% 1. 导入数据
data = load('data.txt');
X = data(:, 1:end-1);
y = data(:, end);

% 2. 划分训练集和测试集
split_ratio = 0.8; % 训练集占总样本的比例
split_idx = round(split_ratio * size(X, 1));
X_train = X(1:split_idx, :);
y_train = y(1:split_idx);
X_test = X(split_idx+1:end, :);
y_test = y(split_idx+1:end);

% 3. 训练模型
num_trees = 100; % 树的数量
model = fitensemble(X_train, y_train, 'LSBoost', num_trees, 'Tree');

% 4. 预测
y_pred = predict(model, X_test);

% 5. 评估预测结果
mse = mean((y_pred - y_test).^2); % 均方误差
rmse = sqrt(mse); % 均方根误差
r2 = 1 - mse / var(y_test); % 决定系数

% 6. 输出结果
fprintf('均方根误差（RMSE）：%f\n', rmse);
fprintf('决定系数（R^2）：%f\n', r2);

这段代码首先导入数据，然后将数据划分为训练集和测试集。接下来，代码使用fitensemble函数训练了一个包含100棵决策树的GBDT模型。然后，使用predict函数对测试集进行预测，得到预测结果y_pred。最后，代码计算了预测结果的均方根误差（RMSE）和决定系数（R^2），并将结果打印输出。

以上是一个简单的GBDT回归预测的MATLAB代码示例，你可以根据自己的数据和需求进行修改和优化。