Python编程：方差、标准差、均方差、均方根值、均方误差、均方根误差
发布时间
阅读量：
阅读量
该Python代码实现了一系列统计计算函数：平均值（getaverage）、方差（getvariance）、标准差（getstandarddeviation）、均方根值（getrms）、均方误差（getmse）和均方根误差（get_rmse）。每个函数都有详细的注释说明其作用及用途。代码还包含多个示例调用这些函数，并对结果进行了展示和分析。此外，在注释中提供了相关数学公式的参考链接。
python实现代码
# -*- coding: utf-8 -*-
import math
def get_average(records):
"""
平均值
"""
return sum(records) / len(records)
def get_variance(records):
"""
方差 反映一个数据集的离散程度
"""
average = get_average(records)
return sum([(x - average) ** 2 for x in records]) / len(records)
def get_standard_deviation(records):
"""
标准差 == 均方差 反映一个数据集的离散程度
"""
variance = get_variance(records)
return math.sqrt(variance)
def get_rms(records):
"""
均方根值 反映的是有效值而不是平均值
"""
return math.sqrt(sum([x ** 2 for x in records]) / len(records))
def get_mse(records_real, records_predict):
"""
均方误差 估计值与真值 偏差
"""
if len(records_real) == len(records_predict):
return sum([(x - y) ** 2 for x, y in zip(records_real, records_predict)]) / len(records_real)
else:
return None
def get_rmse(records_real, records_predict):
"""
均方根误差：是均方误差的算术平方根
"""
mse = get_mse(records_real, records_predict)
if mse:
return math.sqrt(mse)
else:
return None
def get_mae(records_real, records_predict):
"""
平均绝对误差
"""
if len(records_real) == len(records_predict):
return sum([abs(x - y) for x, y in zip(records_real, records_predict)]) / len(records_real)
else:
return None
if __name__ == '__main__':
records1 = [3, 4, 5]
records2 = [2, 4, 6]
# 平均值
average1 = get_average(records1) # 4.0
average2 = get_average(records2) # 4.0
# 方差
variance1 = get_variance(records1) # 0.66
variance2 = get_variance(records2) # 2.66
# 标准差
std_deviation1 = get_standard_deviation(records1) # 0.81
std_deviation2 = get_standard_deviation(records2) # 1.63
# 均方根
rms1 = get_rms(records1) # 4.08
rms2 = get_rms(records2) # 4.32
# 均方误差
mse = get_mse(records1, records2) # 0.66
# 均方根误差
rmse = get_rmse(records1, records2) # 0.81
# 平均绝对误差
mae = get_mae(records1, records2) # 0.66公式参考：
方差（variance）、标准差（Standard Deviation）、均方差、均方根值（RMS）、均方误差（MSE）、均方根误差（RMSE）
该文章详细探讨了基于深度学习的图像去噪算法及其在实际应用中的表现分析。
研究者通过引入改进型自监督学习机制，在大规模图像数据集上进行了系列实验。
实验结果表明, 该算法在图像去噪任务中展现出显著的性能优势, 其去噪效果较传统方法具有明显提升。
此外, 文章还深入分析了不同超参数设置对模型性能的影响, 为实际应用提供了参考建议。
全部评论 (0)
还没有任何评论哟~