什么是拟合呢？
“最小二乘法”：即“***拟合直线”是使样本点到该直线的离差平方和达到最小的直线（采用垂直距离）。
拟合值就是通过最小二乘法拟合后在某点的预测值。
什么是拟合？
形象的说,拟和就是把平面上一系列的点,用一条光滑的曲线连接起来.因为这条曲线有无数种可能,从而有各种拟和方法.拟和的曲线一般可以用函数表示.根据这个函数的不同有不同的拟和的名字.
回归的拟合值取值范围
SSE(和方差、残差平方和) ：The sum of squares due to error，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。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。MSE(均方误差)：Mean squared error，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。RMSE(均方根误差)：Root mean squared error，该统计参数，也叫回归系统的拟合标准差，是MSE的平方根。SSR(回归平方和)：Sum of squares of the regression，即预测数据与原始数据均值之差的平方和。SST(离差平方和)：Total sum of squares，即原始数据和均值之差的平方和。R-square(确定系数)：Coefficient of determination，通过数据的变化来表征一个拟合的好坏。“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。相关度：相关度又叫 皮尔逊相关系数 (Pearson Correlation Coefficient)，衡量两个值线性相关强度的量 取值范围 [-1, 1]: 正向相关: 0, 负向相关：0, 无相关性：=0调整的R方：Adjusted R-Square，调整R方的解释与R方类似，不同的是：调整R方同时考虑了样本量（n）和回归中自变量的个数（k）的影响，这使得调整R方永远小于R方，而且调整R方的值不会由于回归中自变量个数的增加而越来越接近1。方差：variance，统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。STD(标准差)：Standard Deviation，方差的算数平方根。
因为在模型中，增加多个变量，即使事实上无关的变量，也会小幅度提高R平方的值，简单地说就是，用r_square的时候，不断添加变量能让模型的效果提升，而这种提升是虚假的。
如果模型中增加一个自变量，即使这个自变量在统计上并不显著，R方也会变大。因此，为避免增加自变量而高估R方，利用adjusted r square，能对添加的非显著变量给出惩罚，也就是说随意添加一个变量不一定能让模型拟合度上升。
注：这篇博文中涉及的，均方误差和方差是一样的，实际上它们两者是有区别的，具体可参看：
下面列个表格
简称中文名字计算公式SSE和方差、残差平方和MSE均方误差、方差RMSE均方根误差、标准差SSR回归平方和SST离差平方和R-square确定系数Adjusted R-Square调整R方 ρ rho ρ相关度
上述公式中w 是权重，一般都是1，调整R 方中的p 是number of predictors，
2、例子
下面整个简单例子，有这样两组变量：
XY110312824721934
于是，n=5，w=1，p=1，,为啥是1，现在不太清楚。
Matlab代码：
X=[1;3;8;7;9];Y=[10;12;24;21;34];X_mean=mean(X);%5.6Y_mean=mean(Y);%20.2X_var=var(X,1);%9.44Y_var=var(Y,1);%Y的方差，即Y_SST/n 75.36XY_cov=cov(X,Y,1);%XY的协方差矩阵，对角线上是方差，其他是协方差 25.08corrcoef(X,Y);%算相关系数，1, 0.9403
之后点
然后得出结果：
关于这个RMSE，不知道Matlab咋算的，其他数据还行。
excle 版本的：
XYY_hatSSESSRSSTR^21107.97884.08524944149.3577294104.0431213.29241.6702977647.7149377667.2482426.57646.6378369640.6584769614.4472123.91968.5240641613.835424160.64MSE=8.72893429.233222.7223822481.59870224190.44RMSE=2.954343.63983056333.1652706376.80.884196578参考文章
关于拟合值和拟合值怎么求的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。