解读一下 [RMSE1,R21,MSE1,RPD1,MAE1,MAPE1]=EvaMetrix(T_sim1,T_train);% 训练集 disp(['BP 训练集 平均绝对误差MAE为:',num2str(MAE1)]) disp(['BP 训练集 均方误差MSE为: ',num2str(MSE1)]) disp(['BP 训练集 均方根误差RMSEP为: ',num2str(RMSE1)]) disp(['BP 训练集 决定系数R^2为: ',num2str(R21)]) disp(['BP 训练集 剩余预测残差RPD为: ',num2str(RPD1)]) disp(['BP 训练集 平均绝对百分比误差MAPE为: ',num2str(MAPE1)]) [RMSE2,R22,MSE2,RPD2,MAE2,MAPE2]=EvaMetrix(T_sim2,T_test);% 测试集 disp(['BP 测试集 平均绝对误差MAE为:',num2str(MAE2)]) disp(['BP 测试集 均方误差MSE为: ',num2str(MSE2)]) disp(['BP 测试集 均方根误差RMSEP为: ',num2str(RMSE2)]) disp(['BP 测试集 决定系数R^2为: ',num2str(R22)]) disp(['BP 测试集 剩余预测残差RPD为: ',num2str(RPD2)]) disp(['BP 测试集 平均绝对百分比误差MAPE为: ',num2str(MAPE2)])
时间: 2023-06-14 09:06:06 浏览: 157
基于卷积神经网络(CNN)多变量时间序列预测,卷积神经网络(CNN)多维时间序列预测 评价指标包括:R2、MAE、MSE、R
这段代码是用来评估一个BP神经网络模型在训练集和测试集上的性能表现的。其中,EvaMetrix是用来计算各种评估指标的函数,T_sim1和T_train是该模型在训练集上的预测结果和真实值,T_sim2和T_test是该模型在测试集上的预测结果和真实值。具体评估指标包括:
1. 平均绝对误差(MAE)
2. 均方误差(MSE)
3. 均方根误差(RMSE)
4. 决定系数(R^2)
5. 剩余预测残差(RPD)
6. 平均绝对百分比误差(MAPE)
代码分别计算了训练集和测试集上的这些指标,并通过disp函数打印输出。这些指标可以用来评估模型的精度和可靠性,以及在不同数据集上的泛化能力。
阅读全文