如何在 r 中计算 rmse

均方根误差 (RMSE)是一种衡量指标，可以告诉我们在回归分析中预测值与观测值的平均差距有多大。计算方法如下：

RMSE = √[ Σ(P _i – O _i ) ² / n ]

金子：

• Σ 是一个奇特的符号，意思是“和”
• P _i是数据集中^{第 i 个}观测值的预测值
• O _i是数据集中^{第 i 个}观测值的观测值
• n 是样本量

本教程介绍了两种可用于在 R 中计算 RMSE 的方法。

方法一：自己写函数

假设我们有一个数据集，其中一列包含实际数据值，一列包含预测数据值：

 #create dataset
data <- data.frame(actual=c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24),
                   predicted=c(37, 40, 46, 44, 46, 50, 45, 44, 34, 30, 22, 23))

#view dataset
data

   actual predicted
1 34 37
2 37 40
3 44 46
4 47 44
5 48 46
6 48 50
7 46 45
8 43 44
9 32 34
10 27 30
11 26 22
12 24 23

为了计算 RMSE，我们可以使用以下函数：

 #calculate RMSE
sqrt(mean((data$actual - data$predicted)^2))

[1] 2.43242

均方误差为2.43242 。

方法2：使用包

我们还可以使用Metrics包中的rmse()函数计算同一数据集的 RMSE，该函数使用以下语法：

rmse（实际，计划）

金子：

• 真实值：真实值
• 预测：预测值

这是我们在示例中使用的语法：

 #load Metrics package
library(Metrics)

calculate RMSE
rmse(data$actual, data$predicted)

[1] 2.43242

均方误差为2.43242 ，这与我们之前使用我们自己的函数计算的结果相符。

如何解释 RMSE

RMSE 是查看回归模型对数据集拟合程度的有用方法。

RMSE 越大，预测值和观测值之间的差异越大，意味着回归模型对数据的拟合程度越差。相反，RMSE 越小，模型对数据的拟合效果越好。

比较两个不同模型的 RMSE 以了解哪个模型最适合数据尤其有用。

其他资源

均方根误差计算器
如何在R中计算MSE
如何在 R 中计算 MAPE