1.绝对误差  abs2.均方根误差Stdev3.计 算 相关系数选择一组数据点击插入，选定散点图选定散点，右击选择添加趋势线选择线性，勾选显示公式、显示R得出结果R²，用计 算 机开方就得到相关系数或者插入公式CORREL，选择数据，点击确定即可得到相关系数... 预测代码里只计 算 了测试集的 rmse ，得出额外预测值后，想要和刚刚从台站获取的真实值做对比，计 算 一下误差，又不愿意再源程序里添加代码，但 Excel 的计 算 确实不是很懂，只能新开一个py单独计 算 ： # -*- coding: utf-8 -*- import math from sklearn.metrics import mean_squared_error # 用于评估模型 import xlrd... 次数越高，计 算 结果就越与较大的值有关，而忽略较小的值，所以这就是为什么 RMSE 针对异常值更敏感的原因（即有一个预测值与真实值相差很大，那么 RMSE 就会很大）。标准差是用来衡量一组数自身的离散程度，而均方根误差是用来衡量观测值同真值之间的偏差，它们的研究对象和研究目的不同，但是计 算 过程类似。均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根。衡量的是预测值与真实值之间的偏差，并且对数据中的异常值较为敏感。（1）使用真值和实际值的误差的平均值小表征俩组数据的差距小；是用来衡量一组数自身的离散程度。 matlab数据统计时的STD、 RMSE 和RMS计 算 方法STD和 RMSE 的定义RMS的定义matlab中计 算 STD和 RMSE 函数std和std2 STD和 RMSE 的定义 标准差（Standard Deviation，STD）反映了数据集偏离平均值的离散程度。 均方根误差（Root Mean Squared Error， RMSE ）反映了数据集偏离真值的离散程度。 标准差也称均方差，它是方差（Variance）的 算 术平方根。 均方根误差是均方误差（Mean Squared Error，MSE）的 算 术平方根。 一、 RMSE （Root Mean Square Error）均方根误差 rmse ：真实值与差值的平方然后求和再平均，最后开根号。 MSE=1m∑i=1m(yi−f(xi))2MSE = \sqrt{\frac1m\sum_{i=1}^m{(y_i-f(x_i))}^2}MSE=m1​i=1∑m​(yi​−f(xi​))2​ 为什么 excel 中的标准偏差和平时的 计算公式 不一样？函数 STDEVPA 假设参数即为样本总体。如果数据代表的是总体的一个样本，则必须使用函数 STDEVA 来估 算 标准偏差。当用样本去 估计 样本总体时，根号内分子用n-1而非n。 Excel 怎么计 算 标准误差=STDEVPA(value1, [value2], ...)返回以形式给出的样本总体的标准偏差，包含文本和逻辑值。=STDEVA(value1... type_name = 'test4' file_name_rd = type_name+'.xlsx' wb = openpyxl.load_workbook(file_name_rd) # 获取工作表名 names = wb.sheetnames # 使用wb[name] 获取指定工作表 sheet1 = wb[names[0]] maxRow1 = sheet1.max_row # 最大行数 cell = sheet1['B'] list = [] for i 选中C1——ABS(A1-B1)——<嵌套格式>求出剩下数据——>(SUM(C1:C10)/SUM(A1:A10))*100。选中生成的图表中的坐标轴——<图标元素(+)>——<更多选项>——<坐标轴选项>——<刻度线>——<主要类型>——<内部>选中生成的图表——<图标元素(+)>——<趋势线>——<更多选项>——<填充与线条>——<颜色>——<黑>——<短划线类型>——<实线><趋势线选项>——<线性>——<显示公式>——<显示R平方值>选中所有数据——<插入>——<图标>——<散点图>