如何从 r 中的 lm() 函数中提取 rmse

您可以使用以下语法提取 R 中lm()函数的均方根误差 (RMSE) ：

 sqrt(mean(model$residuals^2))

以下示例展示了如何在实践中使用此语法。

相关：如何解释均方根误差 (RMSE)

示例：从 R 中的 lm() 中提取 RMSE

假设我们在 R 中拟合以下多元线性回归模型：

 #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)

我们可以使用summary()函数来显示回归模型的完整摘要：

 #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

要仅提取模型的均方根误差 (RMSE)，我们可以使用以下语法：

 #extract RMSE of regression model
sqrt(mean(model$residuals^2))

[1] 2.090564

该模型的 RMSE 为2.090564 。

这表示模型的预测值与数据集的实际值之间的平均距离。

请注意，RMSE 越低，给定模型就越能“拟合”数据集。

在比较几种不同的回归模型时，具有最低 RMSE 的模型被认为是最“适合”数据集的模型。

其他资源

以下教程解释了如何在 R 中执行其他常见任务：

如何在 R 中执行简单线性回归
如何在 R 中执行多元线性回归
如何在 R 中创建残差图