PosData曲线拟合与预测精度判断主要方法：
PosData软件的{曲线拟合预测}模块，可进行线性曲线、多项式曲线（二次、三次、四次、五次）、Logistic拟合（二参数、三参数、四参数）、Gompertz拟合、指数增长或衰减模型拟合（两参数、三参数、四参数、指数衰减等）。样本数据到底使用什么样的模型进行预测比较好呢？应该选择什么拟合模型进行样本数据拟合？这就涉及到拟合模型精度判断问题。
一般情况下，判断拟合模型好坏的判断准则可参照如下表规则进行判断。
R方——越大越好，建议大于0.7以上
调整R方——越大越好
F值——越大越好
标准差——靠近0更好
t值——需要大于1.96，p值小于0.05
AIC-赤池信息准则/系数——越小越好
BIC-贝叶斯信息准则/系数——越小越好
MAPE-平均绝对百分比误差——越小越好
MSE-均方误差——越小越好
PosData曲线拟合与预测精度判断主要参数及计算公式：
均方误差MSE计算公式：
y_i-(y_i ) ̂为样本数据的真实值-预测值。
均方根误差RMSE计算公式：
平均绝对误差MAE计算公式：
相关系数/决定系数R2计算公式：
平方和SST计算公式:
均方回归MSR计算公式：
MSR=(SST-SSE)/(q-1),q是变量个数
F值计算公式：
F=MSR/MSE
目前，交互式数据可视化分析、预测及质量与可靠性改进系统PosData已经开放试用，需要了解及试用的可关注公众号，或直接qy球友会。