كيفية استخراج rmse من وظيفة lm() في r
يمكنك استخدام بناء الجملة التالي لاستخراج خطأ جذر متوسط مربع (RMSE) للدالة lm() في R:
sqrt(mean(model$residuals^2))
يوضح المثال التالي كيفية استخدام بناء الجملة هذا عمليًا.
ذات صلة: كيفية تفسير خطأ جذر متوسط المربعات (RMSE)
مثال: استخراج RMSE من lm() في R
لنفترض أننا نلائم نموذج الانحدار الخطي المتعدد التالي في R:
#create data frame df <- data. frame (rating=c(67, 75, 79, 85, 90, 96, 97), points=c(8, 12, 16, 15, 22, 28, 24), assists=c(4, 6, 6, 5, 3, 8, 7), rebounds=c(1, 4, 3, 3, 2, 6, 7)) #fit multiple linear regression model model <- lm(rating ~ points + assists + rebounds, data=df)
يمكننا استخدام الدالة Summary() لعرض الملخص الكامل لنموذج الانحدار:
#view model summary
summary(model)
Call:
lm(formula = rating ~ points + assists + rebounds, data = df)
Residuals:
1 2 3 4 5 6 7
-1.5902 -1.7181 0.2413 4.8597 -1.0201 -0.6082 -0.1644
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 66.4355 6.6932 9.926 0.00218 **
points 1.2152 0.2788 4.359 0.02232 *
assists -2.5968 1.6263 -1.597 0.20860
rebounds 2.8202 1.6118 1.750 0.17847
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 3.193 on 3 degrees of freedom
Multiple R-squared: 0.9589, Adjusted R-squared: 0.9179
F-statistic: 23.35 on 3 and 3 DF, p-value: 0.01396
لاستخراج جذر متوسط مربع الخطأ (RMSE) للنموذج فقط، يمكننا استخدام الصيغة التالية:
#extract RMSE of regression model
sqrt(mean(model$residuals^2))
[1] 2.090564
RMSE للنموذج هو 2.090564 .
يمثل هذا متوسط المسافة بين القيم المتوقعة للنموذج والقيم الفعلية لمجموعة البيانات.
لاحظ أنه كلما انخفض RMSE، كلما كان النموذج المعطى قادرًا على “ملاءمة” مجموعة البيانات بشكل أفضل.
عند مقارنة العديد من نماذج الانحدار المختلفة، يعتبر النموذج ذو أدنى RMSE هو النموذج الذي “يناسب” مجموعة البيانات بشكل أفضل.
مصادر إضافية
تشرح البرامج التعليمية التالية كيفية تنفيذ المهام الشائعة الأخرى في R:
كيفية إجراء الانحدار الخطي البسيط في R
كيفية إجراء الانحدار الخطي المتعدد في R
كيفية إنشاء قطعة أرض متبقية في R