比如你建立了一個模型,可以對模型進(jìn)行評估.

評估模型根據(jù)新的數(shù)據(jù)預(yù)測結(jié)果的準(zhǔn)確度.

常用的有三個:

1.校正模型的相關(guān)系數(shù)；

2.校正標(biāo)準(zhǔn)偏差[校正集的預(yù)測均方差]（root mean square error of calibration,RMSEC）；

3.預(yù)測標(biāo)準(zhǔn)偏差[預(yù)測集的預(yù)測均方差]（root mean square error of prediction, RMSEP）；????????????

【這個是評測模型好壞最關(guān)鍵的參數(shù)】

4.rmsecv???RMSECV=sqrt(sum((Y-Yv).^2)/n);

這里面是統(tǒng)計學(xué)的概念:

相關(guān)系數(shù)R?和?決定系數(shù)R^2.這兩個實(shí)際上并沒有太大的關(guān)聯(lián).

相關(guān)系數(shù)R:代表了變量之間的線性相關(guān)度.

就是自變量X與因變量Y的協(xié)方差?除以?標(biāo)準(zhǔn)差的乘積.

協(xié)方差代表了兩個變量的變化趨勢是否一致,

如果X增大Y也增大,協(xié)方差就是正的.反之則是負(fù)的.

除以標(biāo)準(zhǔn)差是為了標(biāo)準(zhǔn)化.消除X,Y自身的影響.

相關(guān)系數(shù)是一種特殊的協(xié)方差.

決定系數(shù)R^2:

用于模型線性回歸的評測,評價回歸模型系數(shù)擬合優(yōu)度.

公式：R2=SSR/SST=1-SSE/SST
SST (total sum of squares)：總平方和
SSR (regression sum of squares)：回歸平方和
SSE (error sum of squares) ：殘差平方和。

如果R^2的值是2,就代表因變量Y中81%的變化可以用自變量解釋.

R^2也會有缺陷的,當(dāng)我們?nèi)藶榈南蛳到y(tǒng)中添加過多的自變量，SSE會減少，從而R^2變大。因此我們采用校正R方，懲罰了過多無意義的自變量

參考:
作者：PriscillaBai
鏈接：https://www.jianshu.com/p/8aefd78be186
來源：簡書
著作權(quán)歸作者所有。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請注明出處。

參考:https://blog.csdn.net/grape875499765/article/details/78631435?locationNum=11&fps=1

rmsecv可以用于對卷積平滑、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)等光譜預(yù)處理方法進(jìn)行篩選最佳條件.

如果做光譜處理,推薦一個網(wǎng)站和論壇:

https://bbs.instrument.com.cn/topic/5898219_1

https://bbs.antpedia.com/thread-341212-1-1.html

原文由 風(fēng)云xxf(v2808852) 發(fā)表:近紅外光譜定量分析中，定量模型的評價有兩個指標(biāo)RMSEP、RMSEC，為什么一般RMSEP的值大于RMSEC用PLS 方法建立定標(biāo)模型時,一般會通過模型評價指標(biāo)如定標(biāo)相關(guān)系數(shù)（Rc）、預(yù)測相關(guān)系數(shù)（Rp）、定標(biāo)均方根偏差（RMSEC）、預(yù)測均方根偏差（RMSEP）、相對定標(biāo)均方根偏差（RRMSEC）和相對預(yù)測均方根偏差（RRMSEP)來評價.你的問題是關(guān)于定標(biāo)均方根偏差（RMSEC）與預(yù)測均方根偏差（RMSEP）,二者的樣本分別為定標(biāo)集和驗證集.>>>

BUCHI的NIR對SEC和SEP還有個衡量標(biāo)準(zhǔn)，那就是SEC與SEP的比值。這個比值需要在0.8至1.2。這兩者相近，說明模型的定標(biāo)集和驗證集的誤差相差不大。這是我們所希望的，如果兩者的比值相差過大，則說明你用的模型不能很好地預(yù)測未知樣品

Sec和Sep不一定就小，有時也可能大。具體原因與兩個樣品集的選擇有關(guān)

一個是外部驗證，另一個是內(nèi)部驗證，RMSEP當(dāng)然比RMSEC大了。。