从Excel到MATLAB：手把手教你用清风老师的数据，5分钟搞定所有回归误差计算

从Excel到MATLAB：5分钟完成回归误差计算的完整指南

如果你已经厌倦了在Excel中反复输入公式来计算各种回归误差指标，那么MATLAB的向量化运算将为你打开新世界的大门。本文将带你从Excel操作习惯平滑过渡到MATLAB编程思维，用不到5分钟的时间完成所有核心误差指标的计算。

1. 为什么选择MATLAB替代Excel进行误差分析

Excel确实是数据分析的入门利器，但当数据量增大或需要重复计算时，它的局限性就显现出来了。每次修改数据都需要重新检查公式，稍有不慎就会出错。而MATLAB的向量化运算能力可以一次性完成所有计算，代码可保存、可复用，大大提升了分析效率。

以计算7种常见回归误差指标为例：

• SSE（误差平方和）
• MSE（均方误差）
• RMSE（均方根误差）
• MAE（平均绝对误差）
• MAPE（平均绝对百分比误差）
• SMAPE（对称平均绝对百分比误差）
• R²（决定系数）

在Excel中，你需要为每个指标单独编写公式，而在MATLAB中，只需几行代码就能全部搞定。

2. 数据准备与导入

2.1 数据格式标准化

首先确保你的数据格式正确。与Excel不同，MATLAB更偏好列向量。假设你有真实值y和预测值y_hat：

y = [100; 102; 108; 117; 135; 178; 198; 241; 290; 349]; % 真实值（列向量） y_hat = [93; 108; 118; 117; 141; 170; 196; 249; 296; 359]; % 预测值（列向量） n = length(y); % 样本数量

提示：使用分号(;)分隔元素会创建列向量，这在MATLAB中运算效率更高

2.2 从Excel导入数据

如果你已经有Excel数据，可以直接导入：

data = readmatrix('your_file.xlsx'); % 读取Excel文件 y = data(:,1); % 第一列作为真实值 y_hat = data(:,2); % 第二列作为预测值

3. 误差指标计算全解

3.1 基础误差指标

这些指标计算简单，但能反映预测的整体偏差：

% SSE - 误差平方和 SSE = sum((y - y_hat).^2); % MSE - 均方误差 MSE = SSE / n; % RMSE - 均方根误差 RMSE = sqrt(MSE); % MAE - 平均绝对误差 MAE = mean(abs(y - y_hat));

3.2 百分比误差指标

当需要比较不同量级数据的预测质量时，百分比指标更有意义：

% MAPE - 平均绝对百分比误差 % 注意：y中不能有0值 MAPE = 100 * mean(abs((y - y_hat) ./ y)); % SMAPE - 对称平均绝对百分比误差 % 对高估和低估给予相同权重 SMAPE = 100 * mean(abs(y - y_hat) ./ ((abs(y) + abs(y_hat))/2));

3.3 拟合优度指标

R²是衡量模型解释力的重要指标：

% R² - 决定系数 SS_total = sum((y - mean(y)).^2); SS_res = sum((y - y_hat).^2); R2 = 1 - (SS_res / SS_total);

4. 一键生成完整误差报告

将所有计算封装成一个函数，以后只需调用即可：

function [metrics] = regressionMetrics(y, y_hat) n = length(y); metrics = struct(); % 基础误差 metrics.SSE = sum((y - y_hat).^2); metrics.MSE = metrics.SSE / n; metrics.RMSE = sqrt(metrics.MSE); metrics.MAE = mean(abs(y - y_hat)); % 百分比误差 metrics.MAPE = 100 * mean(abs((y - y_hat) ./ y)); metrics.SMAPE = 100 * mean(abs(y - y_hat) ./ ((abs(y) + abs(y_hat))/2)); % 拟合优度 SS_total = sum((y - mean(y)).^2); SS_res = sum((y - y_hat).^2); metrics.R2 = 1 - (SS_res / SS_total); end

使用示例：

metrics = regressionMetrics(y, y_hat); disp(metrics);

5. 进阶技巧与常见问题

5.1 处理异常值

当数据中存在零值时，MAPE计算会出错。可以添加条件判断：

if any(y == 0) metrics.MAPE = NaN; warning('MAPE无法计算：真实值中包含零'); else metrics.MAPE = 100 * mean(abs((y - y_hat) ./ y)); end

5.2 可视化误差分析

用图形直观展示预测效果：

figure; plot(y, 'b-o', 'LineWidth', 2, 'DisplayName', '真实值'); hold on; plot(y_hat, 'r--*', 'LineWidth', 2, 'DisplayName', '预测值'); legend('Location', 'best'); title('预测值与真实值对比'); xlabel('样本序号'); ylabel('数值'); grid on;

5.3 性能优化技巧

对于大数据量，使用矩阵运算而非循环：

% 不推荐 - 使用循环 SSE = 0; for i = 1:n SSE = SSE + (y(i) - y_hat(i))^2; end % 推荐 - 向量化运算 SSE = sum((y - y_hat).^2); % 快10-100倍

从Excel过渡到MATLAB最需要改变的是思维方式——从单元格操作转向整体数据处理。一旦掌握这种向量化思维，你会发现数据分析效率提升不止一个量级。