均方根误差代码matlab

在 MATLAB 中，计算均方根误差（Root Mean Square Error，RMSE）的代码如下：

function rmse = calculateRMSE(actual, predicted)
    % 计算实际值和预测值之间的差异
    errors = actual - predicted;
    
    % 计算差异的平方
    squaredErrors = errors.^2;
    
    % 计算均方根误差
    meanSquared = mean(squaredErrors);
    rmse = sqrt(meanSquared);
end

你可以将实际值和预测值作为输入参数传递给 `calculateRMSE` 函数，该函数将返回计算得到的均方根误差。请确保实际值和预测值的维度匹配。

使用示例：

actual = [2, 4, 6, 8];
predicted = [1.5, 3.5, 5.5, 7.5];
rmse = calculateRMSE(actual, predicted);
disp(rmse);

这将计算出 `[0.5, 0.5, 0.5, 0.5]` 这四个值的均方根误差，结果为 `0.5`。

相关问题

LSTM多步预测模型使用均方根误差的matlab代码

下面是一个简单的LSTM多步预测模型使用均方根误差的Matlab代码示例：

% 导入数据
data = csvread('data.csv');

% 分割训练集和测试集
train_ratio = 0.8;
train_size = floor(train_ratio * size(data, 1));
train_data = data(1:train_size, :);
test_data = data(train_size+1:end, :);

% 准备训练数据
X_train = [];
Y_train = [];
for i = 1:size(train_data, 1)-4
    X_train = [X_train; train_data(i:i+3, :)];
    Y_train = [Y_train; train_data(i+4, :)];
end

% 准备测试数据
X_test = [];
Y_test = [];
for i = 1:size(test_data, 1)-4
    X_test = [X_test; test_data(i:i+3, :)];
    Y_test = [Y_test; test_data(i+4, :)];
end

% 定义LSTM模型
num_features = size(train_data, 2);
num_hidden_units = 128;
num_output_units = num_features;
num_time_steps = 4;
model = lstm(num_features, num_hidden_units, num_output_units, num_time_steps);

% 训练模型
num_epochs = 100;
batch_size = 32;
learning_rate = 0.001;
model = train(model, X_train, Y_train, num_epochs, batch_size, learning_rate);

% 在测试集上进行预测
Y_pred = predict(model, X_test);

% 计算均方根误差
rmse = sqrt(mean((Y_test - Y_pred).^2));
fprintf('均方根误差: %.4f\n', rmse);

其中，`data.csv`是包含时间序列数据的CSV文件。在这个示例中，我们将数据集分为80%的训练集和20%的测试集。然后，我们使用训练集来训练LSTM模型，并使用测试集来进行预测并计算均方根误差。

均方根误差MATLAB代码

在MATLAB中，计算均方根误差（Root Mean Squared Error, RMSE）通常用于评估模型预测结果与真实数据之间的差距。下面是一个简单的函数，它接受一组预测值（`predicted_values`）和对应的真实值（`actual_values`），并计算RMSE：

function rmse = calculate_rmse(predicted_values, actual_values)
% 检查输入是否为空或者维度不匹配
if isempty(predicted_values) || isempty(actual_values) || ~isequal(size(predicted_values), size(actual_values))
    error('Input arrays must be non-empty and have the same dimensions.');
end

% 计算每个元素的平方误差
squared_errors = (predicted_values - actual_values).^2;

% 计算平均平方误差（MSE）
mse = mean(squared_errors);

% 取平方根得到RMSE
rmse = sqrt(mse);
end

使用这个函数的方式如下：

predicted = [1, 2, 3, 4];  % 预测值
actual = [1.5, 2.8, 3.1, 3.9];  % 真实值
rmse_value = calculate_rmse(predicted, actual);
disp(['RMSE: ', num2str(rmse_value)]);