手把手教你用MATLAB给回归模型打分：从SSE到R方的完整计算与解读
从零实现MATLAB回归模型评估：7大指标实战详解
刚接触预测建模时，我们常会陷入一个误区——认为只要模型能跑出结果就万事大吉。直到某次我用一组"看似不错"的预测值交作业时，导师反问："这些数字偏离真实值多少？误差分布均匀吗？模型解释了多少变异？"这三个问题让我意识到，会计算评估指标比会建模型更重要。本文将用MATLAB带您亲手实现7个核心评估指标，让每个数字都变得有意义。
1. 环境准备与数据导入
首先在MATLAB命令窗口输入我们的示例数据，这组数据模拟了某种产品的销量增长：
y = [100 102 108 117 135 178 198 241 290 349]; % 真实销量 y_hat = [93 108 118 117 141 170 196 249 296 359]; % 预测销量 n = length(y); % 数据点数量为直观理解数据差异，建议先绘制对比图：
figure plot(y, 'bo-', 'LineWidth', 2) % 蓝色实线表示真实值 hold on plot(y_hat, 'r*--', 'LineWidth', 1.5) % 红色虚线表示预测值 legend('真实值', '预测值') xlabel('时间点'); ylabel('销量') title('真实值与预测值对比')通过图形我们就能直观发现：预测值在中期(第5-7点)较准确，而在两端偏差较大。这种视觉评估虽然直观，但我们需要量化指标来精确描述误差。
2. 基础误差指标计算
2.1 SSE：误差平方和
SSE（Sum of Squared Errors）是评估模型的起点，计算公式为所有预测误差的平方和：
SSE = sum((y - y_hat).^2) % 结果为489业务解读：489这个绝对值本身意义有限，需结合数据规模判断。当销量单位是"万件"时，这个误差可以接受；若是"件"则偏差较大。SSE的主要价值在于比较不同模型的性能——SSE越小模型越好。
2.2 MSE与RMSE：标准化误差
MSE（Mean Squared Error）解决了SSE受样本量影响的问题：
MSE = SSE / n % 结果为48.9而RMSE（Root Mean Squared Error）让量纲回归原始单位：
RMSE = sqrt(MSE) % 结果为6.9929关键区别：
| 指标 | 计算公式 | 量纲 | 特点 |
|---|---|---|---|
| MSE | SSE/n | 平方单位 | 放大较大误差 |
| RMSE | √MSE | 原单位 | 更符合直觉 |
提示：RMSE=6.99意味着平均每个预测偏差约7个单位。对比销量范围100-349，这个误差在可接受范围内。
3. 绝对误差指标体系
3.1 MAE：直接误差度量
MAE（Mean Absolute Error）计算绝对误差的平均值：
MAE = mean(abs(y - y_hat)) % 结果为6.3与RMSE对比：
- MAE对异常值不敏感
- RMSE会放大较大误差的影响
- 当MAE≈RMSE时，说明误差分布较均匀
3.2 百分比误差：MAPE与SMAPE
MAPE（Mean Absolute Percentage Error）将误差转换为百分比：
MAPE = 100 * mean(abs((y - y_hat)./y)) % 结果为4.03%但MAPE在真实值为零时会出现除零错误，此时可用SMAPE（Symmetric MAPE）：
SMAPE = 100 * mean(2*abs(y - y_hat)./(abs(y) + abs(y_hat))) % 结果为3.99%应用场景对比：
- MAPE：适合评估同量级数据的预测
- SMAPE：适合评估量级变化大的数据（如本案例）
4. 模型解释力：R²决定系数
R平方衡量模型解释的目标变量变异比例：
SS_total = sum((y - mean(y)).^2); SS_res = SSE; R2 = 1 - (SS_res / SS_total) % 结果为0.9928解读指南：
- 0.99表示模型解释了99%的数据变异
0.8通常认为拟合非常好
- 但要注意：增加无关变量也会提高R²
为验证R²可靠性，可计算调整后R²：
p = 1; % 预测变量个数 adj_R2 = 1 - (1-R2)*(n-1)/(n-p-1) % 结果为0.99195. 综合应用与可视化
将所有指标整合成评估报告：
metrics = table(SSE, MSE, RMSE, MAE, MAPE, SMAPE, R2,... 'VariableNames', {'SSE','MSE','RMSE','MAE','MAPE','SMAPE','R2'})输出结果：
metrics = 1×7 table SSE MSE RMSE MAE MAPE SMAPE R2 ___ ___ ______ ___ _____ _______ ______ 489 48.9 6.9929 6.3 4.0307 3.9939 0.99276最后，通过残差图检查误差分布：
figure scatter(y_hat, y - y_hat, 'filled') hold on plot(xlim, [0 0], 'k--') % 参考线 xlabel('预测值'); ylabel('残差') title('残差分析图')理想情况下，残差应随机分布在零线周围。若出现明显模式（如抛物线），说明模型可能遗漏了重要特征。