for(i in 1:1000)
{
k[[i]] <- nn2()
}
newdata=c() #1
for(i in 1:1000)
{
#方法一：三次样条法
library(splines)
m1 <- lm(h~bs(a,df=3),data=k[[i]])
#预测百分位数值
new <- data.frame(a=7:20)
cs.p <- predict(m1, new)
#均方差
mse.cs <- sum( (st$p50-cs.p)^2 )/14
#最大范数误差
mne.cs <- max(abs(st$p50-cs.p))
newdata<-rbind(newdata,mse.cs) #2
print(newdata) #3
}
aa<-mean(newdata) #4
新建newdata来保存循环的结果，以便对循环的结果进行后续操作比如求均值并保存在aa中
你在建立网络的时候不是用了net=newff(……）吗？这个net就是输出的结果。newff函数只是初始化一个神经网络，之后还得用train函数训练，训练好的net就是你要的网络。newff函数的格式为：net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。输入参数说明：PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；Si：第i层神经元个数；TFi：第i层的传递函数，默认函数为tansig函数；BTF：训练函数，默认函数为trainlm函数；BLF：权值/阀值学习函数，默认函数为learngdm函数；PF：性能函数，默认函数为mse函数。分类任务的评价指标 有准确率，P值，R值，F1值，而回归任务的评价指标就是 MSE ， RMSE ， MAE 、 R-Squared均方误差MSE是真实值与预测值的差值的平方和然后求平均。通过平方的形式便于求导，所以常被用作线性回归的损失函数。 均方根误差RMSE，即均方误差开平方，常用来作为机器学习模型预测结果衡量的标准。MAE是绝对误差的平均值。可以更好地反映预测值误差的实际情况。R-Squared 又叫可决系数(coefficient of determination)，也叫拟合优度，反映的是自变量 对因变量 的变动的解释的程度。越接近于1，说明模型拟合得越好。在sklearn中回归树就是用的该评价指标。 可以这么理解：将TSS理解为全部按平均值预测，RSS理解为按模型预测，这就相当于去比较你模型预测和全部按平均值预测的比例，这个比例越小，则模型越精确。当然该指标存在负数的情况，即模型预测还不如全部按平均值预测 缺点：当数据分布方差比较大时，预测不准时， 依然比较大，此时该评价指标就不太好其中：表述真实值 的变动程度，正比于方差表示模型预测 和真实值 之间的残差使用sklearn计算：MAE: 范围 , 当预测值与真实值完全吻合时等于0, 即完美模型误差越大, 该值越大。 MAPE: 范围[0,+ ), MAPE 为0%表示完美模型， MAPE大于100%则表示劣质模型。MAPE的值越小，说明预测模型拥有更好的精确度.
