nlinfit.

非线性回归

全部折叠到页面中

句法

beta = nlinfit（x，y，modelfun，beta0）

β= nlinfit (X, Y, modelfun、beta0选项)

beta = nlinfit（___、名称、值)

[Beta，R，J，CoVB，MSE，Errormodelinfo] = nlinfit（___）

描述

例子

bet= nlinfit (<一种href="#btk7ign-X" class="intrnllnk">X那<一种href="#btk7ign-Y" class="intrnllnk">y那<一种href="#btk7ign-modelfun" class="intrnllnk">Modelfun.那<一种href="#btk7ign-beta0" class="intrnllnk">beta0）返回对响应的非线性回归的估计系数的向量y关于预测因子X所指定的模型Modelfun.．使用迭代最小二乘估计估计系数，具有指定的初始值beta0．

例子

bet= nlinfit (<一种href="#btk7ign-X" class="intrnllnk">X那<一种href="#btk7ign-Y" class="intrnllnk">y那<一种href="#btk7ign-modelfun" class="intrnllnk">Modelfun.那<一种href="#btk7ign-beta0" class="intrnllnk">beta0那<一种href="#btk7ign-options" class="intrnllnk">选项）利用该算法对结构中的控制参数进行非线性回归拟合选项．可以返回前面语法中的任何输出参数。

例子

bet= nlinfit (___那<一种href="#namevaluepairarguments" class="intrnllnk">名称，价值）使用一个或多个名称值对参数指定的其他选项。例如，您可以指定观察权重或非合作错误模型。您可以使用先前语法中的任何输入参数。

例子

[<一种href="#btk7ign-beta" class="intrnllnk">bet那<一种href="#btk7ign-R" class="intrnllnk">R.那<一种href="#btk7ign-J" class="intrnllnk">j那<一种href="#btk7ign-CovB" class="intrnllnk">Covb.那<一种href="#btk7ign-MSE" class="intrnllnk">MSE那<一种href="#btk7ign-ErrorModelInfo" class="intrnllnk">ErrorModelInfo] = nlinfit（___）另外返回余数，R.，雅各的雅各的Modelfun.那j，为估计系数的估计方差-协方差矩阵，Covb.，估计误差项的方差，MSE以及包含有关错误模型的详细信息的结构，ErrorModelInfo．

例子

全部收缩

使用默认选项的非线性回归模型

打开生活的脚本

加载示例数据。

s = load（'反应'）;x = s.readants;y = s.rate;beta0 = s.beta;

将Hougen-Watson模型用于速率数据中使用的初始值beta0．

beta = nlinfit（x，y，@ hougen，beta0）

β=5×11.2526 0.0628 0.0400 0.1124 1.1914

使用鲁棒选项的非线性回归

 打开生活的脚本

从非线性回归模型中生成样本数据 $y = {B.}_{1} + {B.}_{2} \cdot E. X P. {- {B.}_{3.} X} + ϵ$ ，在哪里 ${B.}_{1}$ 那 ${B.}_{2}$ , ${B.}_{3.}$ 是系数，误差项通常以平均值0分布和标准偏差0.1。

modelfun = @ (b, x) (b (1) + (2) * exp (- b (3) * x));rng (“默认”）重复性的％B = [1; 3; 2];x = EXPRND（2,100,1）;y = modelfun（b，x）+ normrnd（0,0.1,100,1）;

设置健壮的拟合选项。

opts = statset（'nlinfit'）;opts.robustwgtfun =“bisquare”;

使用强大的拟合选项拟合非线性模型。

beta0 = [2; 2; 2];beta = nlinfit（x，y，modelfun，beta0，opts）

β=3×11.0041 3.0997 2.1483

使用观察重量的非线性回归

 打开生活的脚本

加载示例数据。

s = load（'反应'）;x = s.readants;y = s.rate;beta0 = s.beta;

指定已知观察重量的向量。

W = [8 2 1 6 12 9 12 10 10 12 2 10 8]';

使用指定的观测权值，将Hougen-Watson模型拟合到速率数据。

[beta，r，j，covb] = nlinfit（x，y，@ hougen，beta0，'重量'，w）;bet

β=5×12.2068 0.1077 0.0766 0.1818 0.6516

显示系数标准误差。

SQRT（DIAG（COVB））

ans =.5×12.5721 0.1251 0.0950 0.2043 0.7735

利用权函数处理的非线性回归

 打开生活的脚本

加载示例数据。

s = load（'反应'）;x = s.readants;y = s.rate;beta0 = s.beta;

为观察权重指定一个函数句柄。该函数接受模型拟合值作为输入，并返回权重向量。

a = 1;B = 1;权重= @（yhat）1./(（+ b * abs（yhat））。^ 2）;

使用指定的观察权重函数将Hougen-Watson模型拟合到速率数据。

[beta，r，j，covb] = nlinfit（x，y，@ hougen，beta0，'重量'、重量);bet

β=5×10.8308 0.0409 0.0251 0.0801 1.8261

显示系数标准误差。

SQRT（DIAG（COVB））

ans =.5×10.5822 0.0197 0.0197 0.0578 1.2810

非常误差模型的非线性回归

 打开生活的脚本

加载示例数据。

s = load（'反应'）;x = s.readants;y = s.rate;beta0 = s.beta;

使用组合误差模型拟合Hougen-Watson模型到速率数据。

[Beta，R，J，CoVB，MSE，Errormodelinfo] = nlinfit（x，y，@ hougen，beta0，'errormodel'那“合并”）;bet

β=5×11.2526 0.0628 0.0400 0.1124 1.1914

显示错误模型信息。

ErrorModelInfo

errormodelinfo =结构体字段:errormodel：'组合'Error参数：[0.1517 5.6783E-08] Errorvariance：[Function_Handle] MSE：1.6245 Scheffesimpred：6重量函数：0固定重量：0 robustwutightfunction：0

输入参数

 全部收缩

X-预测变量
矩阵

预测变量为非线性回归函数，指定为矩阵。通常情况下,X是预测器（独立变量）值的设计矩阵，每个值都有一行<一种href="#btk7ign-Y" class="intrnllnk">y，每个预测器的一列。然而，X可以是任意的数组吗<一种href="#btk7ign-modelfun" class="intrnllnk">Modelfun.可以接受。
数据类型：单身的|双倍的

y-响应值
向量

拟合非线性回归函数的响应值(因变量)，指定为行数相同的向量<一种href="#btk7ign-X" class="intrnllnk">X．
数据类型：单身的|双倍的

Modelfun.-非线性回归模型功能
功能手柄

非线性回归模型函数，指定为函数句柄。Modelfun.必须接受两个输入参数，系数矢量和数组X- 在订购 - 并返回拟合响应值的向量。
例如，指定<一种href="//www.tatmou.com/help/stats/hougen.html">hougen非线性回归函数，使用功能句柄@hougen．
数据类型：function_handle.

beta0-最初的系数值
向量

最小二乘估计算法的初始系数值，指定为向量。

笔记

差的起始值可能导致具有大残余误差的解决方案。

数据类型：单身的|双倍的

选项-估计算法的选择
结构使用实例化

评估算法选项，指定为您创建使用的结构<一种href="//www.tatmou.com/help/stats/statset.html">实例化．以下实例化参数适用于nlinfit.．

德国- 有限差异梯度的相对差异EPS ^（1/3）(默认)|正标量值|向量

相对差值用于有限差分梯度的计算，指定为一个正标量值，或一个大小相同的矢量<一种href="#btk7ign-beta" class="intrnllnk">bet．使用向量为每个系数指定不同的相对差异。

展示-输出显示级别“关闭”（默认）|'iter'|'最终的'

估计期间的输出显示级别，指定为一个“关闭”那'iter'，或者'最终的'．如果您指定'iter'，每次迭代都会显示输出。如果您指定'最终的'，在最后一次迭代后显示输出。

funvalcheck.—是否检查无效值的指示符'上'（默认）|“关闭”

指示是否检查无效值，如南或正从目标函数出发，指定为'上'或“关闭”．

麦克斯特- 最大迭代次数One hundred.（默认）|正整数

估计算法的最大迭代次数，指定为正整数。迭代仍在继续，直到估计在融合公差范围内，或者指定的最大迭代次数麦克斯特到达了。

RobustWgtFun- 重量函数字符矢量|字符串标量|功能手柄|[]

强大拟合的重量函数，指定为有效的字符向量，字符串标量或功能句柄。

笔记

RobustWgtFun必须有价值[]当你使用观测权值时，W.．

下表描述了可能的字符向量和字符串标量。让R.表示标准化残差和W.表示强大的权重。指示符功能我[X]如果表达式等于1X是真的，否则为0。

权函数方程默认调谐常量

''（默认）没有健壮的拟合 -

“安德鲁”

$W. = 一世 [| R. | < π] \times 罪（ R. ） / R.$

1.339

“bisquare”

$W. = 一世 [| R. | < 1] \times {（ 1 - {R.}^{2} ）}^{2}$

4.685

'cauchy'

$W. = \frac{1}{（ 1 + {R.}^{2} ）}$

2.385

“公平”

$W. = \frac{1}{（ 1 + | R. | ）}$

1.400

“休伯”

$W. = \frac{1}{马克斯（ 1 那 | R. | ）}$

1.345

'逻辑'

$W. = \frac{塔尼（ R. ）}{R.}$

1.205.

'talwar'

$W. = 一世 [| R. | < 1]$

2.795

“welsch”

$W. = 经验值 {- {R.}^{2}}$

2.985

您也可以指定一个函数句柄，该函数句柄接受一个归一化残差向量作为输入，并返回一个具有健壮权值的向量作为输出。如果使用函数句柄，则必须提供<一种href="#d123e591485" class="intrnllnk">调常数。

调- 调整常数正标量值

调整恒定的恒定拟合，指定为正标量值。调谐常量用于在应用稳健的重量函数之前正常化残差。默认调谐常量取决于指定的函数<一种href="#d123e591310" class="intrnllnk">RobustWgtFun．
如果使用函数句柄来指定RobustWgtFun，然后必须指定值调．

塔尔芬-残差平方和的终止公差1E-8（默认）|正标量值

终止公差对于剩余平方和，指定为正标量值。迭代仍在继续，直到估计在融合公差范围内，或者指定的最大迭代次数麦克斯特到达了。

TolX- 估计系数的终止耐受性1E-8（默认）|正标量值

估计系数的终止耐受，bet，指定为正标量值。迭代仍在继续，直到估计在融合公差范围内，或者指定的最大迭代次数麦克斯特到达了。

名称值对参数

指定可选的逗号分离对名称，价值参数。名称是参数名称和价值是对应的值。名称必须出现在引号内。您可以按如下顺序指定几个名称和值对参数Name1, Value1,…,的家． 例子:“ErrorModel”、“比例”,“ErrorParameters”,0.5指定比例误差模型，初始值为0.5，用于错误参数估计

'errormodel'-误差项形式
'不变'（默认）|“比例”|“合并”

错误术语的形式，指定为逗号分隔的对组成'errormodel'和'不变'那“比例”，或者“合并”表示错误模型。每个模型用一个标准的均值- 0和单位方差变量来定义误差E.与独立组件组合:函数值F，以及一个或两个参数一种和B.．

'不变'（默认） $y = F + 一种 E.$

“比例” $y = F + B. F E.$

“合并” $y = F + （一种 + B. | F | ） E.$

使用时唯一允许的错误模型<一种href="#btk7ign-Weights" class="intrnllnk">重量是'不变'．

笔记

选项。R.obustWgtFun必须有价值[]使用以外的错误模型时'不变'．

'ErrorParameters'-误差模型参数的初始估计
1或[1]（默认）|标量值|双元素向量

对所选误差模型参数的初始估计<一种href="#btk7ign-ErrorModel" class="intrnllnk">ErrorModel，指定为逗号分隔的配对组成'ErrorParameters'和标量值或两个元素矢量。

误差模型参数默认值

'不变' 一种 1

“比例” B. 1

“合并” 一种那B. [1]

例如，如果'errormodel'有价值“合并”，可以指定起始值为1一种和起始值2B.如下。
例子:'ErrorParameters'，[1,2]

您只能使用'不变'使用时的错误模型<一种href="#btk7ign-Weights" class="intrnllnk">重量．

笔记

选项。R.obustWgtFun必须有价值[]使用以外的错误模型时'不变'．

数据类型：双倍的|单身的

'重量'-观察权重
向量|功能手柄

观察值权重，指定为逗号分隔的对，由'重量'和真正的积极重量或功能手柄的矢量。您可以使用观察权重降价您希望对拟合模型产生更少影响的观察。

如果W.是矢量，那么它必须与尺寸相同<一种href="#btk7ign-Y" class="intrnllnk">y．

如果W.是一个函数句柄，那么它必须接受预测响应值的向量作为输入，并将真实正权重的向量作为输出返回。

笔记

选项。R.obustWgtFun必须有价值[]当你使用观察权值时。

数据类型：双倍的|单身的|function_handle.

输出参数

全部收缩

bet- 估计的回归系数向量

估计的回归系数，作为向量返回。元素的数量bet等于元素的数量<一种href="#btk7ign-beta0" class="intrnllnk">beta0．
让 $F （ X_{一世} 那 B. ）$ 表示由此指定的非线性函数<一种href="#btk7ign-modelfun" class="intrnllnk">Modelfun.，在哪里 $X_{一世}$ 是观察的预测因子一世那一世= 1，......，N, $B.$ 是回归系数。返回的系数矢量bet最小化加权最小二乘方程，

$\sum_{一世 = 1}^{N} {W.}_{一世} [y_{一世} - F （ X_{一世} 那 B. ）]^{2} ．$

对于未加权的非线性回归，所有权重术语等于1。

R.- 残差向量

拟合模型的残留物，作为向量返回。

如果使用名称-值对参数指定观察权重<一种href="#btk7ign-Weights" class="intrnllnk">重量，然后R.包含<一种href="//www.tatmou.com/help/stats/nlinfit.html" class="intrnllnk">加权残留物．

如果您指定的错误模型不是'不变'使用名称值对参数<一种href="#btk7ign-ErrorModel" class="intrnllnk">ErrorModel，那你就再也无法诠释R.作为模型拟合残差。

j- 雅各比亚矩阵

雅各的非线性回归模型，<一种href="#btk7ign-modelfun" class="intrnllnk">Modelfun.，返回为N——- - - - - -P.矩阵,N观察的次数是多少P.为估计系数的个数。

如果使用名称-值对参数指定观察权重<一种href="#btk7ign-Weights" class="intrnllnk">重量，然后j是<一种href="//www.tatmou.com/help/stats/nlinfit.html" class="intrnllnk">加权模型功能Jacobian．

如果您指定的错误模型不是'不变'使用名称值对参数<一种href="#btk7ign-ErrorModel" class="intrnllnk">ErrorModel，那你就再也无法诠释j作为模型功能雅各比亚。

Covb.- 估计方差 - 协方差矩阵矩阵

拟合系数的估计方差-协方差矩阵，<一种href="#btk7ign-beta" class="intrnllnk">bet，回归P.——- - - - - -P.矩阵,P.为估计系数的个数。如果模型的雅可比矩阵，<一种href="#btk7ign-J" class="intrnllnk">j，有全列等级，然后covb = inv（j'* j）* mse，在哪里<一种href="#btk7ign-MSE" class="intrnllnk">MSE是平均平方误差。

MSE- 平均方形错误标量值

拟合模型的均方误差(MSE)，以标量值返回。均方误差是误差项方差的估计。如果模型的雅可比矩阵，<一种href="#btk7ign-J" class="intrnllnk">j，有全列等级，然后MSE = (R ' * R) /(阻燃剂)，在哪里N是观察人数，和P.为估计系数的个数。

ErrorModelInfo-关于错误模型匹配的信息结构

关于错误模型匹配的信息，以带有以下字段的结构形式返回:

ErrorModel 选择错误模型

错误参数 估计误差参数

ErrorVariance 函数句柄，接受N——- - - - - -P.矩阵，X，并返回一个N-by-1向量的误差方差使用估计的误差模型

MSE 平均方形错误

Scheffesimpred. Scheffé参数使用估计误差模型时的同时预测间隔

重量障碍 逻辑与价值真正的中使用的自定义权重函数nlinfit.

FixedWeights 逻辑与价值真正的如果您之前使用过固定的重量nlinfit.

RobustWeightFunction 逻辑与价值真正的如果您以前使用的强大拟合nlinfit.

更多关于

全部收缩

加权残留物

一种加权残差是相应观察重量的平方根的剩余倍数。
根据估计的回归系数， $B. 那$ 剩余的观察一世是

${R.}_{一世} = y_{一世} - F （ X_{一世} 那 B. ）那$

在哪里y_一世是观察到的反应和 $F （ X_{一世} 那 B. ）$ 是预测因子的拟合反应 $X_{一世} ．$

当你用权重拟合一个加权非线性回归时W._一世那一世= 1，......，N那nlinfit.返回加权残差，

${R.}_{一世}^{*} = \sqrt{{W.}_{一世}} （ y_{一世} - F （ X_{一世} 那 B. ））．$

加权模型函数雅可比矩阵

这加权模型功能Jacobian为非线性模型雅可比矩阵乘以观测权矩阵的平方根。
根据估计的回归系数， $B. 那$ 估计模型雅可比矩阵， $j 那$ 对于非线性功能 $F （ X_{一世} 那 B. ）$ 有元素

$j_{一世 j} = \frac{\partial F （ X_{一世} 那 B. ）}{\partial {B.}_{j}} 那$

在哪里B._j是jTh元素 $B. ．$

当您使用对角线重量矩阵的加权非线性回归时 $W. 那$ nlinfit.返回加权雅匹碧族矩阵，

$j^{*} = {W.}^{1 / 2} j ．$

提示

要在预测上生成错误估计，请使用可选的输出参数R.那j那Covb.，或者MSE作为输入,<一种href="//www.tatmou.com/help/stats/nlpredci.html">nlpredci.．
在估计的系数上产生错误估计，bet，使用可选的输出参数R.那j那Covb.，或者MSE作为输入,<一种href="//www.tatmou.com/help/stats/nlparci.html">nlparci.．
如果使用强大的拟合选项，<一种href="#d123e591310" class="intrnllnk">RobustWgtFun，你必须使用Covb.- 可能需要MSE-as输入nlpredci.或nlparci.为保证置信区间对稳健拟合的合理考虑。

算法

nlinfit.对待南价值<一种href="#btk7ign-Y" class="intrnllnk">y或modelfun（beta0，x）由于缺少数据，而忽略了相应的观测结果。
对于非批准，nlinfit.采用Levenberg-Marquardt非线性最小二乘算法<一种href="//www.tatmou.com/help/stats/nlinfit.html" class="intrnllnk">［1］．
稳健估计,nlinfit.使用算法<一种href="//www.tatmou.com/help/stats/robust-regression-reduce-outlier-effects.html" class="a">迭代加权最小二乘（<一种href="//www.tatmou.com/help/stats/nlinfit.html" class="intrnllnk">[2]那<一种href="//www.tatmou.com/help/stats/nlinfit.html" class="intrnllnk">[3])．在每一次迭代中，基于前一次迭代中每个观测值的残差重新计算鲁棒权值。这些权值降低了离群值的权重，从而减少了它们对拟合的影响。继续迭代，直到权值收敛。
指定用于观察权重的函数手柄时，权重取决于拟合模型。在这种情况下，nlinfit.采用迭代广义最小二乘算法拟合非线性回归模型。

参考文献

Seber, g.a.f和c.j. Wild。非线性回归．霍博肯，新泽西:Wiley-Interscience, 2003。

[2] DuMouchel, W. H.和F. L. O . brien。将稳健的选择集成到多元回归计算环境中。计算机科学与统计：第21次界面研讨会的诉讼程序．亚历山大，VA：美国统计协会，1989年。

[3] Holland, P. W.和R. E. Welsch。“使用迭代重加权最小二乘的稳健回归。”统计通信：理论与方法那A6第813-827页。

也可以看看

fitnlm.|nlintool|nlparci.|nlpredci.

话题

非线性回归

之前介绍过的R2006a

权函数	方程	默认调谐常量
`''`（默认）	没有健壮的拟合	-
`“安德鲁”`	$W. = 一世 [\| R. \| < π] \times 罪（ R. ） / R.$	1.339
`“bisquare”`	$W. = 一世 [\| R. \| < 1] \times {（ 1 - {R.}^{2} ）}^{2}$	4.685
`'cauchy'`	$W. = \frac{1}{（ 1 + {R.}^{2} ）}$	2.385
`“公平”`	$W. = \frac{1}{（ 1 + \| R. \| ）}$	1.400
`“休伯”`	$W. = \frac{1}{马克斯（ 1 那 \| R. \| ）}$	1.345
`'逻辑'`	$W. = \frac{塔尼（ R. ）}{R.}$	1.205.
`'talwar'`	$W. = 一世 [\| R. \| < 1]$	2.795
`“welsch”`	$W. = 经验值 {- {R.}^{2}}$	2.985

误差模型	参数	默认值
`'不变'`	一种	`1`
`“比例”`	B.	`1`
`“合并”`	一种那B.	`[1]`

`'不变'`（默认）	$y = F + 一种 E.$
`“比例”`	$y = F + B. F E.$
`“合并”`	$y = F + （一种 + B. \| F \| ） E.$

`ErrorModel`	选择错误模型
`错误参数`	估计误差参数
`ErrorVariance`	函数句柄，接受N——- - - - - -P.矩阵，`X`，并返回一个N-by-1向量的误差方差使用估计的误差模型
`MSE`	平均方形错误
`Scheffesimpred.`	Scheffé参数使用估计误差模型时的同时预测间隔
`重量障碍`	逻辑与价值`真正的`中使用的自定义权重函数`nlinfit.`
`FixedWeights`	逻辑与价值`真正的`如果您之前使用过固定的重量`nlinfit.`
`RobustWeightFunction`	逻辑与价值`真正的`如果您以前使用的强大拟合`nlinfit.`

nlinfit.

句法

描述

例子

使用默认选项的非线性回归模型

使用鲁棒选项的非线性回归

使用观察重量的非线性回归

利用权函数处理的非线性回归

非常误差模型的非线性回归

输入参数

X-预测变量矩阵

y-响应值向量

Modelfun.-非线性回归模型功能功能手柄

beta0-最初的系数值向量

选项-估计算法的选择结构使用实例化

德国- 有限差异梯度的相对差异EPS ^（1/3）(默认)|正标量值|向量

展示-输出显示级别“关闭”（默认）|'iter'|'最终的'

funvalcheck.—是否检查无效值的指示符'上'（默认）|“关闭”

麦克斯特- 最大迭代次数One hundred.（默认）|正整数

RobustWgtFun- 重量函数字符矢量|字符串标量|功能手柄|[]

调- 调整常数正标量值

塔尔芬-残差平方和的终止公差1E-8（默认）|正标量值

TolX- 估计系数的终止耐受性1E-8（默认）|正标量值

名称值对参数

'errormodel'-误差项形式'不变'（默认）|“比例”|“合并”

'ErrorParameters'-误差模型参数的初始估计1或[1]（默认）|标量值|双元素向量

'重量'-观察权重向量|功能手柄

输出参数

bet- 估计的回归系数向量

R.- 残差向量

j- 雅各比亚矩阵

Covb.- 估计方差 - 协方差矩阵矩阵

MSE- 平均方形错误标量值

ErrorModelInfo-关于错误模型匹配的信息结构

更多关于

加权残留物

加权模型函数雅可比矩阵

提示

算法

参考文献

也可以看看

话题

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

`X`-预测变量
矩阵

`y`-响应值
向量

`Modelfun.`-非线性回归模型功能
功能手柄

`beta0`-最初的系数值
向量

`选项`-估计算法的选择
结构使用`实例化`

`德国`- 有限差异梯度的相对差异`EPS ^（1/3）`(默认)|正标量值|向量

`展示`-输出显示级别`“关闭”`（默认）|`'iter'`|`'最终的'`

`funvalcheck.`—是否检查无效值的指示符`'上'`（默认）|`“关闭”`

`麦克斯特`- 最大迭代次数`One hundred.`（默认）|正整数

`RobustWgtFun`- 重量函数字符矢量|字符串标量|功能手柄|`[]`

`调`- 调整常数正标量值

`塔尔芬`-残差平方和的终止公差`1E-8`（默认）|正标量值

`TolX`- 估计系数的终止耐受性`1E-8`（默认）|正标量值

`'errormodel'`-误差项形式
`'不变'`（默认）|`“比例”`|`“合并”`

`'ErrorParameters'`-误差模型参数的初始估计
`1`或`[1]`（默认）|标量值|双元素向量

`'重量'`-观察权重
向量|功能手柄

`bet`- 估计的回归系数向量

`R.`- 残差向量

`j`- 雅各比亚矩阵

`Covb.`- 估计方差 - 协方差矩阵矩阵

`MSE`- 平均方形错误标量值

`ErrorModelInfo`-关于错误模型匹配的信息结构