如何在r中计算mse

衡量模型预测准确性的最常用指标之一是MSE ，它代表均方误差。计算方法如下：

MSE = (1/n) * Σ(实际值 – 预测值) ²

金子：

• Σ——一个奇特的符号，意思是“和”
• n——样本量
• real——数据的实际值
• 预测——预测数据的值

MSE 值越低，模型预测值就越准确。

如何在R中计算MSE

根据数据的格式，您可以使用两种简单的方法来计算 R 中回归模型的 MSE。

方法一：根据回归模型计算MSE

在一种情况下，您可能有一个拟合回归模型，并且只想计算模型的 MSE。例如，您可能有以下回归模型：

 #load mtcars dataset
data(mtcars)

#fit regression model
model <- lm(mpg~disp+hp, data=mtcars)

#get model summary
model_summ <-summary(model)

要计算该模型的 MSE，可以使用以下公式：

 #calculate MSE
mean(model_summ$residuals^2)

[1] 8.85917

这告诉我们 MSE 是8.85917 。

方法 2：根据预测值和实际值列表计算 MSE

在另一种情况下，您可能只有一个预测值和实际值的列表。例如：

 #create data frame with a column of actual values and a column of predicted values
data <- data.frame(pred = predict(model), actual = mtcars$mpg)

#view first six lines of data
head(data)

                      pred actual
Mazda RX4 23.14809 21.0
Mazda RX4 Wag 23.14809 21.0
Datsun 710 25.14838 22.8
Hornet 4 Drive 20.17416 21.4
Hornet Sportabout 15.46423 18.7
Valiant 21.29978 18.1

在这种情况下，您可以使用以下公式来计算 MSE：

 #calculate MSE
mean((data$actual - data$pred)^2)

[1] 8.85917

这告诉我们 MSE 是8.85917 ，它与我们使用之前的方法计算的 MSE 相匹配。