工具箱曲线拟合类型+评价解释
曲线拟合分析
曲线拟合分析
曲线拟合分析是数学统计中一种常用的非参数估计方法。
它用
于拟合一组多变量数据，以获得最佳拟合的函数，并且将其用来建立
一个数学模型以描述这组数据的规律。
曲线拟合分析的适用条件是，
数据不必是精确的函数关系，而且可以包含误差和噪声。
曲线拟合分析可以使用各种不同拟合函数，如线性函数、多项式
函数、指数函数、对数函数等。
具体的方法有多种，包括最小二乘法、最小中心加权平方法、最小均值方差变换方法等。
此外，还可以使用
优化算法进行复杂的拟合。
曲线拟合分析的主要优点是，无论数据多项式函数的形式如何，
都可以使用多种拟合函数拟合，从而获得较好的精度。
此外，由于曲
线拟合不需要假设数据服从特定的分布，因此能够更好地描述复杂的
数据结构。
另外，曲线拟合分析也可用来探究参数之间的关系，从而提出更
有意义的结论，增加对数据的认识。
在实际应用中，曲线拟合分析广泛应用于物理和工程等科学领域、金融和经济等经济学领域、医学研究等医学领域，以及时间序列分析、模式识别等机器学习领域。
曲线拟合系数矩阵和结果向量-概述说明以及解释
曲线拟合系数矩阵和结果向量-概述说明以及解释1.引言1.1 概述在概述部分，我们将介绍曲线拟合系数矩阵和结果向量的概念及其在相关领域中的重要性。
曲线拟合是一种数据分析技术，用于拟合实验数据或观测数据到一个或多个曲线模型。
拟合过程的关键是确定曲线的系数，这些系数构成了一个矩阵，称为曲线拟合系数矩阵。
曲线拟合系数矩阵是一个由实验数据和拟合模型中的参数组成的矩阵，通过最小化实际观测值与拟合曲线之间的误差来确定。
该矩阵在拟合过程中起着至关重要的作用，可以帮助我们理解实验数据与拟合模型之间的关系，并提供关于模型参数的估计。
结果向量是由实验数据与拟合曲线之间的残差构成的向量。
残差是实际观测值与拟合曲线之间的差异，它们代表了实验数据与拟合模型之间的误差。
结果向量提供了对拟合结果的评估，可以帮助我们判断拟合模型的准确性，并根据需求对模型进行修正或优化。
曲线拟合系数矩阵和结果向量在科学研究、工程应用和数据分析领域中具有广泛的应用。
它们可以用于数据建模、预测和优化，帮助我们了解数据中存在的模式和趋势，并从中提取有用的信息。
此外，曲线拟合系数矩阵和结果向量还可以用于参数估计、模型选择和模型比较，为科学和工程研究提供了重要的工具和方法。
在本文的后续部分，我们将详细介绍曲线拟合系数矩阵和结果向量的计算方法、应用案例和相关技术。
通过对这些内容的深入研究，我们可以更好地理解曲线拟合的原理和应用，为实验数据和观测数据的分析提供有力的支持。
同时，我们也将探讨曲线拟合结果的分析和研究展望，以期在未来的研究工作中进一步完善和拓展这一领域。
通过本文的介绍和讨论，我们可以了解曲线拟合系数矩阵和结果向量的重要性，并意识到它们在实践中的广泛应用。
希望本文能够为读者提供有关曲线拟合的基础知识和实用技巧，同时也能够激发更多的研究和应用，推动曲线拟合领域的发展和创新。
1.2文章结构文章结构:本文主要分为引言、正文和结论三个部分。
引言部分包括对曲线拟合系数矩阵和结果向量进行概述，介绍文章的目的，并简要描述文章的结构。
三种曲线拟合方法的精度分析
三种曲线拟合方法的精度分析L,曲线拟合是皂丝圈宁的曲线光滑方法它根据给定的离散点?建立一个适当的解析式,使所表示的连续曲线反映和逼近已知点构成的特征多边形.地形图上的曲线具有多种类型.例如境界,道路,等高线和水网线等.这些曲线图形多数是多值函数,呈现出大挠度,连续拐弯的图形特征.在传统的测绘工作中,各种曲线是根据实测点位由人工联接勾绘而成.随着测绘自动化及数字化技术的不断发展,野外地面测量仪器中的经纬仪.已被全站仪逐渐取代.而在平板仪上进行的地形图清绘整饰工作,则可在微机上借助交互式图形技术完成.这一进步不仅可增加工作效率,缩短生产周期,减低劳动强度,也提高了图形质量.野外实测数据确定的特征多边形,需在计算机图形编辑中采用一定的曲线线跫对其作曲线拟合.本文对三种曲线拟台线型——圆曲线,二次B样条曲线,三次B样条曲线的理论拟台精度展开讨论.并在实验中得到验证.l三种曲线拟合方法1.1圆曲线平面上三点;(?,y1),B(?.),(南,ya)}其圆弧方程++/)X+Ey+F=0.过上述三点作圆弧(图1).当I丑yl1f?的顶点.二次B样条的一阶导数为:小l.B.且Bo?t?l0?t?1其端点性质如下:P(o)一?(Bo4-且)}P(1)=告(B】+岛);(0)一BI一&}(1)=岛一B}P(专)吉&+}且+吉岛=1{吉[P(o)+P(1)]+蜀};(音)一{(岛一Bo)一P(1),P(0)以上性质说明二次B样条曲线的起点P(0)在B特征多边形第一边的中点处,且其切向量且一&即为第一边的走向;终点P(1)在第二边的中点处,且其切向量B:一B为第二边的走向.而且P(1/Z)正是凸P(O)昌P(1)的中线B,M的中点,在P(1/2)处的切线平行于P(O)P(1)(图2).图2二次B样条拟台特征多边形上海蚨道大学第17告1.3三次B样条曲线三次B样条的分段函数式为..c一霎c一-,d一c+一一,,c一=s,z=.,,z,s 三次B样条曲线的矩阵为:3P()=?.3(f)BL=J一口其一阶导数为:[产1]?百1?(t)一[产t1]?告?一l3—3l3—630,30301410一l3—3l2—42O一10l0昂目岛鼠鼠且岛且0?t?10?t?l三次B样条曲线的端点性质如下:P(0)=音(岛+4且+岛)一{(堡{)+号且}P(1)=吉(且+4B+鼠)={(鱼{)+导局;(0)一百1(岛一Bo);(1):I(B一Bi)以上性质说明:三次B样条曲线起点P(0)落在反目B的中线/3.研上距/3的三分之一处,该点的切向量(0)平行于厶‰矗岛的底边/3.Bz,长度为其一半;终点P(1)处的情况与此相对应(见图3).if一}图3三次B拌条拟合特征多边形2三种拟合曲线的比较2+l圆曲线与二次B样条曲线的比较取平面上三点/3-,马…/3井分两种情况进行比较一一一第3期许恺.三神曲拽拟音方法的情虚分析(1)当瓦=瓦瓦时(见图4),过岛,B,岛作圆曲线岛Q最岛,其与特征多边形有两处偏离值最大,即QR与c,,且QR=UV.而二次B样条曲线RTU与特征多边形有一处偏离值最大,即B?则.0??,,7j,一—,/I//,?L—r/.s图4圈曲线与二趺B样条比较(1)QR=s蜀T={(2r?si譬)式中,为圆弧半径l0为弦届置所对圆心角l2,6为弦BoBz所对圆心角.由此即可知.器=>1(>0)(2)鼠晶?蜀岛时,随着岛蜀与蜀岛的差值加大,QR也加大,而B,T值是一定值(见图5).由此可得出二次B样条曲线拟合优于圆曲线拟合的结论.j,一0/..7.一\,}l一?I1形图等高线上选定点位组成特征多边形.分别用圆曲线,二次B样条曲线,三次B样条曲线对等高线特征多边形进行曲线拟合,测出拟合曲线与特征多边形的偏离值.共50个观测值,对测中误差为0.05rnm,取偏离值的平均值列于附表.附裹兰莫拟台曲线平均偏差比较裹哪由上分析可得出如下结论:1?圆曲线拟合特征多边形时,其偏差值要太于=次B样条曲线的拟合偏差.特征多边形相邻两边的长度相差越大.上述两种曲线拟合偏差之差越大.2一二次B样条曲线的拟合误差是三次B样条曲线拟合误差的四分之三.3一对特征多边形作曲线拟合时,在圆曲线.二次B样条,三次B佯条中使用二次B样条参考文献1盒延赞.计算机图形学.杭州t浙江大学出版杜.1988165,1672许隆文.计算机绘图.北京机槭工业出版杜.1989,334,3383孙家广.扬长贵.计算机图形学.北京清华大学出版杜.1994:288,2g0AnalysisofAccuracyofThreeCurve—FittingMethodsXHKdi(Dept?ofCivilE.ShanghaiTiedaoUniv)..Abst喇{reecurve—fittigmethodsareanalyzedandcornpared.ThequadraticBph”re岛ekcted.heopjmlJmcurvefittingforimp?Vingmapaccuracyoftopo graghicaldrawing?andthey8reverifiedbexperiments.dsltopographicmap,eurve—fittig,fittingaccuraey,BsDlines。
曲线拟合方法
曲线拟合方法曲线拟合方法是在数据分析中应用广泛的一种数学模型，它能够有效地拟合一组数据，从而推断出它背后的现象，同时推断出现象的规律。
曲线拟合方法是最常用的无比可以满足实际应用要求的符号方法之一，在实际应用中可以清楚地看到它的优越性。
一、曲线拟合方法的定义曲线拟合方法是一种用来拟合数据的数学方法，即将一组数据拟合到一条曲线上，从而求解出拟合曲线的方程。
一般来说，曲线拟合方法是根据给定的数据集，通过最小二乘法来拟合出曲线的方程，以表述和描述该数据的特征。
曲线拟合方法给我们提供了一种比较直观和有效的数据分析工具，可以有效地发现数据中不同特征之间的关系，从而推断出它们背后的现象及其规律。
二、曲线拟合方法的基本思想曲线拟合方法的基本思想是将一组数据以曲线的形式，以拟合精度最高的方式拟合出曲线的方程。
有多种拟合方法，比如线性拟合、参数拟合、二次拟合、多项式拟合等，可以根据实际的数据特点，选择合适的拟合方法。
拟合方法的最终目的是使拟合曲线越接近原始数据，越接近实际情况，以此来求解出拟合曲线的方程，并且能够有效地反映出数据的规律特征。
三、曲线拟合方法的应用曲线拟合方法在实际工程中被广泛应用，它的应用非常广泛，可以用于各种数据的拟合，其中包括统计学中的数据拟合、物理学中拟合各种非线性函数曲线，以及优化、控制理论中根据给定数据拟合控制参数等。
曲线拟合方法可以有效地发现数据中不同特征之间的关系，从而推断出它们背后的现象，以及它们背后的规律，因此，曲线拟合方法在预测及数据分析中具有重要的作用。
四、曲线拟合方法的优缺点曲线拟合方法的优点在于它的拟合效果好，能够有效地发现数据中不同特征之间的关系，从而推断出它们背后的现象，以及它们背后的规律，因此它可以提供丰富、有价值的数据分析以及预测服务。
但是，曲线拟合方法也有一些缺点，比如它拟合的曲线不一定能够代表实际情况，有可能导致拟合出错误的结果，因此在使用时要注意控制拟合精度。
曲线拟合模型优选策略评估
曲线拟合模型优选策略评估概述：曲线拟合模型是一种常见的数学模型，用于对一组数据进行拟合，以便找到最佳拟合曲线。
在实际问题中，曲线拟合模型广泛应用于各个领域，如金融、工程、医学等。
然而，在选择最佳的拟合曲线时，我们需要评估不同的优选策略，以确定最适合特定问题的模型。
优选策略评估方法：1. 数据准备：首先，需要收集所需的原始数据，并进行必要的数据预处理工作，如去除异常值、缺失值处理以及数据归一化等。
确保数据的质量和完整性对后续的模型评估具有重要影响。
2. 拟合模型选择：根据问题的性质和数据的特点，选择合适的曲线拟合模型。
常见的曲线拟合模型包括线性回归模型、多项式回归模型、指数曲线模型、对数曲线模型等。
每种模型具有不同的特点和适用范围，需要根据具体情况进行选择。
3. 模型评估指标：为了评估不同拟合模型的表现，需要确定合适的评估指标。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R2）等。
这些指标可以帮助我们量化模型的预测能力和拟合程度。
4. 交叉验证：为了避免模型对特定数据集的过度拟合，我们可以采用交叉验证的方法。
将数据集划分为训练集和测试集，通过在训练集上进行拟合，再在测试集上进行预测，最终评估模型的性能。
常见的交叉验证方法包括K折交叉验证和留一法交叉验证。
5. 模型比较：在评估了多个拟合模型的表现后，可以使用评估指标对模型进行比较。
根据具体问题的要求，选择性能最佳的模型作为最终的拟合模型。
需要注意的是，模型比较不仅仅依赖于评估指标，还需要考虑模型的复杂度和实际应用的可行性。
6. 敏感性分析：在选择最佳拟合模型之后，我们还需要进行敏感性分析，以评估模型对参数变化的灵敏程度。
通过调整模型的参数或输入数据的范围，观察模型结果的变化情况。
敏感性分析可以帮助我们更好地理解模型的稳定性和可靠性。
案例应用：假设我们要预测某个产品的销售量，我们可以收集历史销售数据，并采用曲线拟合模型进行预测。
曲线拟合法的理论与分析
曲线拟合法的理论与分析曲线拟合法是一种常用的方法来逼近所测量的曲线，以及对拟合后的曲线拟合形状的分析。
维度拟合技术为曲线拟合提供了另一种实用的策略。
它可以用来确定和实现空间拟合,计算曲线拟合精度,特征提取,及自动形态识别等目的。
曲线拟合法的基本原理包括样本准备，曲线拟合算法选择、拟合技术及参数设置等。
样本准备是指输入数据处理，采样数据不能太多而不能太少，要使拟合效果最佳。
然后是选择曲线拟合算法，经常使用的曲线拟合算法有最小二乘法、指数拟合、多项式拟合等。
拟合技术的选择以及参数的设置都将会影响拟合的精度，且参数设置还可以确定拟合曲线的形状。
维度拟合技术是一种实用的曲线拟合方法，它把拟合对象拆分成若干个维度，把每个维度分别拟合，再将各个维度综合起来，得到更形象有意义的曲线拟合技术。
有时候，数据点往往是不可避免地误差存在，可以通过增加拟合残差的正则化项，使曲线拟合更加合理。
正则化项的选取和参数设置的不同，对拟合的精度有一定的影响，正则化参数的取值越大，数据之间的不均匀性越小，拟合的精度越高。
特征提取是从数据中抽取特征的过程，广泛应用于曲线拟合。
曲线拟合在特征提取中的重要应用，可以利用拟合技术进行特征提取，对特征提取算法采用曲线拟合技术，可以有效地抽取出有用的特征。
自动形态识别也可以利用曲线拟合技术，曲线拟合可以反映一定物体的形态，可以作为形态识别的基础技术。
另外，曲线拟合法还可以用来分析采用不同参数的曲线拟合的结果，以求得最佳的曲线拟合结果。
曲线拟合法是一种工程技术，它不仅可以用于科学研究，而且可以应用到工程中，如计算机视觉、图像处理和识别、机械设计等等。
综上所述，曲线拟合法可以用来拟合所测量的曲线，把拟合对象拆分成若干个维度，用正则化项来减少误差，可以用来特征提取以及自动形态识别等。
它不仅可以用于科学研究，而且可以用于工程实践，因而具有很强的实用性。
工具箱曲线拟合类型+评价解释
进入曲线拟合工具箱界面“Curve Fitting tool”（1）点击“Data”按钮，弹出“Data”窗口；（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；（3）点击“Fitting”按钮，弹出“Fitting”窗口；（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：Custom Equations：用户自定义的函数类型Exponential：指数逼近，有2种类型，a*exp(b*x) 、a*exp(b*x) + c*exp(d*x)Fourier：傅立叶逼近，有7种类型，基础型是a0 + a1*cos(x*w) + b1*sin(x*w) Gaussian：高斯逼近，有8种类型，基础型是a1*exp(-((x-b1)/c1)^2)Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~ Power：幂逼近，有2种类型，a*x^b 、a*x^b + cRational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是a1*sin(b1*x + c1) Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)选择好所需的拟合曲线类型及其子类型，并进行相关设置：——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。
曲线拟合专用工具
曲线拟合专用工具1. 介绍曲线拟合是一种数学方法，用于通过已知数据点来估计或预测未知数据点的数值。
曲线拟合广泛应用于各个领域，如物理学、化学、经济学和工程学等。
为了方便进行曲线拟合分析，开发出了许多曲线拟合专用工具。
本文将详细介绍曲线拟合专用工具的相关内容，包括其定义、功能、使用方法以及常见的曲线拟合算法。
2. 定义曲线拟合专用工具是一种计算机软件或库，用于对给定数据点进行曲线拟合分析。
它能够根据用户提供的数据点，选择合适的曲线模型，并通过最小化拟合误差来确定模型的参数，从而得到逼近原始数据的曲线。
曲线拟合专用工具通常提供了丰富的功能，包括数据导入、模型选择、参数估计、拟合评估和结果可视化等。
3. 功能曲线拟合专用工具通常具有以下功能：3.1 数据导入曲线拟合工具可以从多种数据源导入数据，如文本文件、Excel文件、数据库等。
用户可以通过简单的操作将数据导入到工具中进行后续的拟合分析。
3.2 模型选择曲线拟合工具提供了多种曲线模型供用户选择。
常见的曲线模型包括线性模型、多项式模型、指数模型、对数模型、幂函数模型等。
用户可以根据数据的特点选择合适的模型进行拟合。
3.3 参数估计曲线拟合工具通过最小二乘法等算法来估计曲线模型的参数。
最小二乘法是一种常用的参数估计方法，它通过最小化残差平方和来确定模型参数。
曲线拟合工具可以自动计算模型参数，并提供相应的参数估计结果。
3.4 拟合评估曲线拟合工具可以对拟合结果进行评估。
常见的拟合评估指标包括拟合优度、残差分析、置信区间等。
这些评估指标可以帮助用户判断拟合结果的可靠性和准确性。
3.5 结果可视化曲线拟合工具通常提供了可视化功能，可以将原始数据点和拟合曲线以图表的形式展示出来。
这种可视化方式可以直观地显示拟合结果，帮助用户更好地理解数据和模型之间的关系。
4. 使用方法使用曲线拟合专用工具的方法如下：4.1 数据导入首先，将需要进行曲线拟合分析的数据导入到工具中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
进入曲线拟合工具箱界面“Curve Fitting tool”
（1）点击“Data”按钮，弹出“Data”窗口；
（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；
（3）点击“Fitting”按钮，弹出“Fitting”窗口；
（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：Custom Equations：用户自定义的函数类型
Exponential：指数逼近，有2种类型，a*exp(b*x) 、a*exp(b*x) + c*exp(d*x)
Fourier：傅立叶逼近，有7种类型，基础型是a0 + a1*cos(x*w) + b1*sin(x*w) Gaussian：高斯逼近，有8种类型，基础型是a1*exp(-((x-b1)/c1)^2)
Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~ Power：幂逼近，有2种类型，a*x^b 、a*x^b + c
Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型
Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）
Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是a1*sin(b1*x + c1) Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)
选择好所需的拟合曲线类型及其子类型，并进行相关设置：
——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；
——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。
在本例中选Custom Equations，点击“New”按钮，选择“General Equations”标签，输入函数类型y=a*x*x + b*x，设置参数a、b的上下限，然后点击OK。
（5）类型设置完成后，点击“Apply”按钮，就可以在Results框中得到拟合结果，如下例：general model:
f(x) = a*x*x+b*x
Coefficients (with 95% confidence bounds):
a = 0.009194 (0.009019, 0.00937)
b = 1.78e-011 (fixed at bound)
Goodness of fit:
SSE: 6.146
R-square: 0.997
Adjusted R-square: 0.997
RMSE: 0.8263
同时，也会在工具箱窗口中显示拟合曲线。
这样，就完成一次曲线拟合啦，十分方便快捷。
当然，如果你觉得拟合效果不好，还可以在“Fitting”窗口点击“New fit”按钮，按照步骤（4）~（5）进行一次新的拟合。
不过，需要注意的是，cftool 工具箱只能进行单个变量的曲线拟合，即待拟合的公式中，变量只能有一个。
对于混合型的曲线，例如y = a*x + b/x ，工具箱的拟合效果并不好。
使用过Matlab的拟合、优化和统计等工具箱的网友，会经常遇到下面几个名词：
SSE(和方差、误差平方和)：The sum of squares due to error
MSE(均方差、方差)：Mean squared error
RMSE(均方根、标准差)：Root mean squared error
R-square(确定系数)：Coefficient of determination
Adjusted R-square：Degree-of-freedom adjusted coefficient of determination
下面我对以上几个名词进行详细的解释下，相信能给大家带来一定的帮助！！
一、SSE(和方差)
该统计参数计算的是拟合数据和原始数据对应点的误差的平方和，计算公式如下
SSE越接近于0，说明模型选择和拟合更好，数据预测也越成功。
接下来的MSE和RMSE 因为和SSE是同出一宗，所以效果一样
二、MSE(均方差)
该统计参数是预测数据和原始数据对应点误差的平方和的均值，也就是SSE/n，和SSE没有太大的区别，计算公式如下
三、RMSE(均方根)
该统计参数，也叫回归系统的拟合标准差，是MSE的平方根，就算公式如下
在这之前，我们所有的误差参数都是基于预测值(y_hat)和原始值(y)之间的误差(即点对点)。
从下面开始是所有的误差都是相对原始数据平均值(y_ba)而展开的(即点对全)!!!
四、R-square(确定系数)
在讲确定系数之前，我们需要介绍另外两个参数SSR和SST，因为确定系数就是由它们两个决定的
(1)SSR：Sum of squares of the regression，即预测数据与原始数据均值之差的平方和，公式如下
(2)SST：Total sum of squares，即原始数据和均值之差的平方和，公式如下
细心的网友会发现，SST=SSE+SSR，呵呵只是一个有趣的问题。
而我们的“确定系数”是定义为SSR和SST的比值，故
其实“确定系数”是通过数据的变化来表征一个拟合的好坏。
由上面的表达式可以知道“确定系数”的正常取值范围为[0 1]，越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好。