<\/p>\n
Sie k\u00f6nnen die folgende Syntax verwenden, um den quadratischen Mittelwert (Root Mean Square Error, RMSE)<\/strong> der Funktion lm()<\/a> in R zu extrahieren:<\/span><\/p>\n Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird.<\/span><\/p>\n Verwandte Themen:<\/strong> So interpretieren Sie den quadratischen Mittelwertfehler (RMSE)<\/a><\/span><\/p>\n Angenommen, wir passen das folgende multiple lineare Regressionsmodell in R an:<\/span><\/p>\n Wir k\u00f6nnen die Funktion summary()<\/strong> verwenden, um die vollst\u00e4ndige Zusammenfassung des Regressionsmodells anzuzeigen:<\/span><\/p>\n Um nur den quadratischen Mittelwert (Root Mean Square Error, RMSE) des Modells zu extrahieren, k\u00f6nnen wir die folgende Syntax verwenden:<\/span><\/p>\n Der RMSE des Modells betr\u00e4gt 2,090564<\/strong> .<\/span><\/p>\n Dies stellt den durchschnittlichen Abstand zwischen den vorhergesagten Werten des Modells und den tats\u00e4chlichen Werten des Datensatzes dar.<\/span><\/p>\n Beachten Sie, dass ein bestimmtes Modell umso besser an einen Datensatz \u201epassen\u201c kann, je niedriger der RMSE ist.<\/span><\/p>\n Beim Vergleich mehrerer verschiedener Regressionsmodelle wird das Modell mit dem niedrigsten RMSE als das Modell angesehen, das am besten zum Datensatz \u201epasst\u201c.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Sie k\u00f6nnen die folgende Syntax verwenden, um den quadratischen Mittelwert (Root Mean Square Error, RMSE) der Funktion lm() in R zu extrahieren: sqrt(mean(model$residuals^2)) Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird. Verwandte Themen: So interpretieren Sie den quadratischen Mittelwertfehler (RMSE) Beispiel: RMSE aus lm() in R extrahieren Angenommen, wir passen das […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n sqrt(mean(model$residuals^2))\n<\/strong><\/pre>\n
Beispiel: RMSE aus lm() in R extrahieren<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (rating=c(67, 75, 79, 85, 90, 96, 97),\n points=c(8, 12, 16, 15, 22, 28, 24),\n assists=c(4, 6, 6, 5, 3, 8, 7),\n rebounds=c(1, 4, 3, 3, 2, 6, 7))\n\n#fit multiple linear regression model\n<\/span>model <- lm(rating ~ points + assists + rebounds, data=df)\n<\/strong><\/pre>\n #view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = rating ~ points + assists + rebounds, data = df)\n\nResiduals:\n 1 2 3 4 5 6 7 \n-1.5902 -1.7181 0.2413 4.8597 -1.0201 -0.6082 -0.1644 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 66.4355 6.6932 9.926 0.00218 **\npoints 1.2152 0.2788 4.359 0.02232 * \nassists -2.5968 1.6263 -1.597 0.20860 \nrebounds 2.8202 1.6118 1.750 0.17847 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.193 on 3 degrees of freedom\nMultiple R-squared: 0.9589, Adjusted R-squared: 0.9179 \nF-statistic: 23.35 on 3 and 3 DF, p-value: 0.01396\n<\/strong><\/pre>\n #extract RMSE of regression model\nsqrt(mean(model$residuals^2))\n\n[1] 2.090564\n<\/span><\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
So erstellen Sie ein Residuendiagramm in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"