偏最小二乘 PLS erro 误差部分 < 三>

本文探讨了在预测模型中如何使用主成分分析来减少维度并降低误差,通过实例展示了计算均方根误差的过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这部分是误差预测的部分
#encoding:utf-8

import numpy as np

    
def Erro(pc, X, Y, B,Y_mean):# 将前面的得到的参数传进来
    
    erro=np.zeros((1,pc)) # 定义两个矩阵
    turn_y = np.zeros(( Y.shape[0], pc))
    
    for i in range(pc):
        
        y_pre=np.dot(X,B[:, [i]])
        Y_pre=np.add(y_pre, Y_mean)# 得到预测的值
        
        # 算每个主成分的均方跟误差
        mse = np.sqrt(np.true_divide(np.dot((Y - Y_pre).T,(Y - Y_pre)), X.shape[0]))
        
        turn_y[:, i] = Y_pre.ravel()# 将数据存储到矩阵中
         
        erro[:, i] = mse.ravel()
    return erro, turn_y
         
        
        
        
        
有不懂的可以给我发私信
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值