<\/p>\n
Der Root Mean Square Error (RMSE)<\/strong> ist ein Ma\u00df, das uns sagt, wie weit unsere vorhergesagten Werte von unseren beobachteten Werten in einer Regressionsanalyse im Durchschnitt entfernt sind. Es wird wie folgt berechnet:<\/span><\/p>\n RMSE<\/strong> = \u221a[ \u03a3(P i<\/sub> \u2013 O i<\/sub> ) 2<\/sup> \/ n ]<\/span><\/p>\n Gold:<\/span><\/p>\n In diesem Tutorial werden zwei Methoden erl\u00e4utert, mit denen Sie RMSE in R berechnen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir haben einen Datensatz mit einer Spalte, die die tats\u00e4chlichen Datenwerte enth\u00e4lt, und einer Spalte, die die vorhergesagten Datenwerte enth\u00e4lt:<\/span><\/p>\n Zur Berechnung des RMSE k\u00f6nnen wir die folgende Funktion verwenden:<\/span><\/p>\n Der mittlere quadratische Fehler betr\u00e4gt 2,43242<\/strong> .<\/span><\/p>\n Wir k\u00f6nnten den RMSE f\u00fcr denselben Datensatz auch mit der Funktion rmse()<\/strong> aus dem Metrics-<\/strong> Paket berechnen, die die folgende Syntax verwendet:<\/span><\/p>\n rmse (tats\u00e4chlich, geplant)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Hier ist die Syntax, die wir in unserem Beispiel verwenden w\u00fcrden:<\/span><\/p>\n Der mittlere quadratische Fehler betr\u00e4gt 2,43242<\/strong> und entspricht dem, was wir zuvor mit unserer eigenen Funktion berechnet haben.<\/span><\/p>\n RMSE ist eine n\u00fctzliche Methode, um zu sehen, wie gut ein Regressionsmodell an einen Datensatz angepasst werden kann.<\/span><\/p>\n Je gr\u00f6\u00dfer der RMSE, desto gr\u00f6\u00dfer ist der Unterschied zwischen den vorhergesagten und den beobachteten Werten, d. h. desto schlechter passt das Regressionsmodell an die Daten. Umgekehrt gilt: Je kleiner der RMSE, desto besser kann das Modell die Daten anpassen.<\/span><\/p>\n Es kann besonders n\u00fctzlich sein, den RMSE zweier verschiedener Modelle zu vergleichen, um herauszufinden, welches Modell am besten zu den Daten passt.<\/span><\/p>\n RMSE-Rechner<\/a> Der Root Mean Square Error (RMSE) ist ein Ma\u00df, das uns sagt, wie weit unsere vorhergesagten Werte von unseren beobachteten Werten in einer Regressionsanalyse im Durchschnitt entfernt sind. Es wird wie folgt berechnet: RMSE = \u221a[ \u03a3(P i \u2013 O i ) 2 \/ n ] Gold: \u03a3 ist ein ausgefallenes Symbol, das \u201eSumme\u201c bedeutet […]<\/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\n
Methode 1: Schreiben Sie Ihre eigene Funktion<\/strong><\/span><\/h3>\n
#create dataset<\/span>\ndata <- data.frame(actual=c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24),\n predicted=c(37, 40, 46, 44, 46, 50, 45, 44, 34, 30, 22, 23))\n\n#view dataset<\/span>\ndata\n\n actual predicted\n1 34 37\n2 37 40\n3 44 46\n4 47 44\n5 48 46\n6 48 50\n7 46 45\n8 43 44\n9 32 34\n10 27 30\n11 26 22\n12 24 23\n<\/strong><\/pre>\n #calculate RMSE<\/span>\nsqrt(mean((data$actual - data$predicted)^2))\n\n[1] 2.43242\n<\/strong><\/pre>\n Methode 2: Verwenden Sie ein Paket<\/strong><\/span><\/h3>\n
\n
#load Metrics package\n<\/span>library(Metrics)\n\ncalculate RMSE\n<\/span>rmse(data$actual, data$predicted)\n\n[1] 2.43242<\/strong><\/pre>\n So interpretieren Sie den RMSE<\/strong><\/h2>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie MSE in R<\/a>
So berechnen Sie MAPE in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"