根据OPNET仿真得出网站各性能参数数据，采用MATLAB函数对数据拟合，拟合的评价标准有：误差平方和（即和方差，SSE）、方差（即均方差，MSE）、标准差（即均方根，RMSE）、确定系数（R-square）、修正的确定系数（Adjusted R-square）。其中，前3个误差（SSE、MSE、RMSE）参数是基于预测值和原始值之间的误差，即点对点误差，确定系数（R-square）和修正的确定系数（Adjusted R-square）是相对于原始平均值而展开的。

和方差（SSE）是统计原始数据和MATLAB拟合数据对应点的误差平方和，计算公式为

式中，wi——权重；

——第i个原始数据和对应的预测数据，i=1，2，…n ，n为原始数据的个数。

和方差（SSE）越趋于0，说明选择的拟合模型越好，对数据的预测准确率越成功。

均方差（MSE）是统计原始数据和预测数据相对应点误差的平方和的均值，即SSE/n，计算表示为

均方根（RMSE）统计参数，是均方差的平方根，也称为回归系统的拟合标准差。计算表示为(www.daowen.com)

定义：

SSR（Sum of Squares of the Regression）：预测数据与原始均值之差的平方和。计算表示为

SST（Total Sum of Squares）：原始数据和均值之差的平方和。计算表示为

确定系数（R-square）是由SSR和SST两个参数共同决定的。由于SST=SSE+SSR，确定系数为SSR和SST的比值，因此

确定系数通过数据的变化来表征拟合结果的好坏。由式（7-11）可知，确定系数R-square的正常取值范围是[0，1]，值越接近1，表明方程的变量对y的解释能力越强，此模型对数据拟合得也越好。标准差根据数理统计的概念得来，标准差越小，说明波动越小，系统越稳定；反之，标准差越大，说明波动越大，系统越不稳定。