So extrahieren sie rmse aus der funktion lm() in r

Sie können die folgende Syntax verwenden, um den quadratischen Mittelwert (Root Mean Square Error, RMSE) der Funktion lm() in R zu extrahieren:

 sqrt(mean(model$residuals^2))

Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird.

Verwandte Themen: So interpretieren Sie den quadratischen Mittelwertfehler (RMSE)

Beispiel: RMSE aus lm() in R extrahieren

Angenommen, wir passen das folgende multiple lineare Regressionsmodell in R an:

 #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)

Wir können die Funktion summary() verwenden, um die vollständige Zusammenfassung des Regressionsmodells anzuzeigen:

 #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

Um nur den quadratischen Mittelwert (Root Mean Square Error, RMSE) des Modells zu extrahieren, können wir die folgende Syntax verwenden:

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

[1] 2.090564

Der RMSE des Modells beträgt 2,090564 .

Dies stellt den durchschnittlichen Abstand zwischen den vorhergesagten Werten des Modells und den tatsächlichen Werten des Datensatzes dar.

Beachten Sie, dass ein bestimmtes Modell umso besser an einen Datensatz „passen“ kann, je niedriger der RMSE ist.

Beim Vergleich mehrerer verschiedener Regressionsmodelle wird das Modell mit dem niedrigsten RMSE als das Modell angesehen, das am besten zum Datensatz „passt“.

Zusätzliche Ressourcen

In den folgenden Tutorials wird erläutert, wie Sie andere häufige Aufgaben in R ausführen:

So führen Sie eine einfache lineare Regression in R durch
So führen Sie eine multiple lineare Regression in R durch
So erstellen Sie ein Residuendiagramm in R