均方误差代码 matlab

以下是MATLAB中计算均方误差的代码示例：

function mse = mean_squared_error(y_true, y_pred)
% 计算均方误差
% y_true: 真实值
% y_pred: 预测值
% mse: 均方误差
mse = mean((y_true - y_pred).^2);
end

其中，mean()函数用于求平均值，.^2表示对每个元素进行平方操作。参数y_true和y_pred分别表示真实值和预测值。函数返回均方误差值。

相关问题

随机生成数据并做线性回归并画图做均方误差代码MATLAB

以下是一个随机生成数据并进行线性回归、绘制拟合直线和计算均方误差的MATLAB示例代码：

% 随机生成数据
x = rand(100, 1) * 10;
y = 3 * x + 2 + randn(100, 1);

% 绘制数据分布
figure;
scatter(x, y);
xlabel('x');
ylabel('y');
title('Randomly Generated Data');

% 切分数据集
m = length(y); % 样本数量
train_size = floor(0.7 * m); % 70%为训练集
train_idx = randperm(m, train_size);
test_idx = setdiff(1:m, train_idx);
X_train = x(train_idx);
y_train = y(train_idx);
X_test = x(test_idx);
y_test = y(test_idx);

% 初始化参数
theta = zeros(2, 1); % 参数向量
X_train = [ones(train_size, 1), X_train]; % 添加截距项

% 训练模型
theta = pinv(X_train' * X_train) * X_train' * y_train;

% 绘制拟合直线
hold on;
plot(X_test, [ones(length(X_test),1) X_test] * theta, '-');
legend('Training data', 'Linear regression');
hold off;

% 计算测试集误差
y_pred = [ones(length(X_test),1) X_test] * theta;
mse = mean((y_pred - y_test).^2);
disp(['Test set MSE: ', num2str(mse)]);

在这个例子中，我们首先随机生成一组有噪声的数据，并将其划分为训练集和测试集。然后，我们初始化参数向量，并使用最小二乘法进行模型训练。接着，我们绘制拟合直线，并计算测试集误差。

需要注意的是，在实际应用中，线性回归模型并不总是能够很好地拟合数据，因此需要使用更复杂的模型进行建模。

随机生成数据并做线性回归并画图做最小化训练集上的均方误差代码MATLAB

以下是一个随机生成数据并进行线性回归、绘制拟合直线和最小化训练集上均方误差的MATLAB示例代码：

% 随机生成数据
x = rand(100, 1) * 10;
y = 3 * x + 2 + randn(100, 1);

% 绘制数据分布
figure;
scatter(x, y);
xlabel('x');
ylabel('y');
title('Randomly Generated Data');

% 切分数据集
m = length(y); % 样本数量
train_size = floor(0.7 * m); % 70%为训练集
train_idx = randperm(m, train_size);
test_idx = setdiff(1:m, train_idx);
X_train = x(train_idx);
y_train = y(train_idx);
X_test = x(test_idx);
y_test = y(test_idx);

% 初始化参数
theta = zeros(2, 1); % 参数向量
X_train = [ones(train_size, 1), X_train]; % 添加截距项

% 最小化训练集上的均方误差
theta = inv(X_train' * X_train) * X_train' * y_train;

% 绘制拟合直线
hold on;
plot(X_test, [ones(length(X_test),1) X_test] * theta, '-');
legend('Training data', 'Linear regression');
hold off;

% 计算测试集误差
y_pred = [ones(length(X_test),1) X_test] * theta;
mse = mean((y_pred - y_test).^2);
disp(['Test set MSE: ', num2str(mse)]);

在这个例子中，我们首先随机生成一组有噪声的数据，并将其划分为训练集和测试集。然后，我们初始化参数向量，并使用最小二乘法最小化训练集上的均方误差进行模型训练。接着，我们绘制拟合直线，并计算测试集误差。

需要注意的是，在实际应用中，线性回归模型并不总是能够很好地拟合数据，因此需要使用更复杂的模型进行建模。