解释下评价参数模型和广义加性模型的统计量有:平均绝对误差(MAB),相对百分误差(MPB),均方根误差(RMSE),确定系数(R方)。模型检验使用留一交叉检验法(leave-one-out、cross-validation) ,检验结果通过MAB、MPB和RMSE来比较。
时间: 2024-01-29 20:03:58 浏览: 126
认知车载网中基于簇和MAB模型的信道接入算法
评价参数模型和广义加性模型的统计量主要有以下几个:
1. 平均绝对误差(MAB):是预测值与真实值之间差的绝对值的平均值,用来衡量模型的预测误差大小。MAB越小,说明模型的预测误差越小,预测效果越好。
2. 相对百分误差(MPB):是预测值与真实值之间差的绝对值与真实值之间的比值的平均值,用来衡量模型的预测误差相对大小。MPB越小,说明模型的预测误差相对较小,预测效果越好。
3. 均方根误差(RMSE):是预测值与真实值之间差的平方的平均值的平方根,用来衡量模型的预测误差大小。RMSE越小,说明模型的预测误差越小,预测效果越好。
4. 确定系数(R方):是预测值与真实值之间的相关系数的平方,用来衡量模型的拟合优度。R方越接近1,说明模型的拟合效果越好。
留一交叉检验法是一种常用的模型检验方法,它通过将数据集中的一个观测值作为测试集,剩余的观测值作为训练集,来评估模型的预测性能。具体地,对于每个观测值,模型都会被训练并预测其对应的响应变量,接着通过计算MAB、MPB、RMSE等统计量来评估模型的预测精度。最终,将所有的测试集上的预测精度指标进行平均,得到模型的整体预测性能评估结果。
在比较不同模型的预测效果时,通常可以通过比较MAB、MPB、RMSE等指标来选择最优模型。一般而言,预测效果好的模型应该具有较小的MAB、MPB和RMSE值,以及较高的R方值。
阅读全文