<\/p>\n
Eine der am h\u00e4ufigsten verwendeten Metriken zur Messung der Vorhersagegenauigkeit eines Modells ist MSE<\/strong> , was f\u00fcr \u201eMean Square Error\u201c<\/strong> steht. Es wird wie folgt berechnet:<\/span><\/p>\n MSE<\/strong> = (1\/n) * \u03a3(tats\u00e4chlich \u2013 Vorhersage) 2<\/sup><\/span><\/p>\n Gold:<\/span><\/p>\n Je niedriger der MSE-Wert ist, desto genauer kann ein Modell Werte vorhersagen.<\/span><\/p>\n Abh\u00e4ngig vom Format Ihrer Daten gibt es zwei einfache Methoden, mit denen Sie den MSE eines Regressionsmodells in R berechnen k\u00f6nnen.<\/span><\/p>\n In einem Szenario verf\u00fcgen Sie m\u00f6glicherweise \u00fcber ein angepasstes Regressionsmodell und m\u00f6chten lediglich den MSE des Modells berechnen. Beispielsweise k\u00f6nnten Sie \u00fcber das folgende Regressionsmodell verf\u00fcgen:<\/span><\/p>\n Um den MSE dieses Modells zu berechnen, k\u00f6nnen Sie die folgende Formel verwenden:<\/span><\/p>\n Dies sagt uns, dass der MSE 8,85917<\/strong> betr\u00e4gt.<\/span><\/p>\n In einem anderen Szenario verf\u00fcgen Sie m\u00f6glicherweise einfach \u00fcber eine Liste vorhergesagter und tats\u00e4chlicher Werte. Zum Beispiel:<\/span><\/p>\n In diesem Fall k\u00f6nnen Sie zur Berechnung des MSE die folgende Formel verwenden:<\/span><\/p>\n Dies sagt uns, dass der MSE 8,85917<\/strong> betr\u00e4gt, was dem MSE entspricht, den wir mit der vorherigen Methode berechnet haben.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Eine der am h\u00e4ufigsten verwendeten Metriken zur Messung der Vorhersagegenauigkeit eines Modells ist MSE , was f\u00fcr \u201eMean Square Error\u201c steht. Es wird wie folgt berechnet: MSE = (1\/n) * \u03a3(tats\u00e4chlich \u2013 Vorhersage) 2 Gold: \u03a3 \u2013 ein ausgefallenes Symbol mit der Bedeutung \u201eSumme\u201c n \u2013 Stichprobengr\u00f6\u00dfe real \u2013 der tats\u00e4chliche Wert der Daten Vorhersage […]<\/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
So berechnen Sie MSE in R<\/strong><\/h2>\n
Methode 1: Berechnen Sie den MSE aus dem Regressionsmodell<\/strong><\/span><\/h3>\n
#load mtcars dataset<\/span>\ndata(mtcars)\n\n#fit regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#get model summary\n<\/span>model_summ <-summary(model)\n<\/strong><\/pre>\n #calculate MSE<\/span>\nmean(model_summ$residuals^2)\n\n[1] 8.85917<\/strong><\/pre>\n Methode 2: Berechnen Sie MSE aus einer Liste vorhergesagter und tats\u00e4chlicher Werte<\/strong><\/span><\/h3>\n
#create data frame with a column of actual values and a column of predicted values<\/span>\ndata <- data.frame(pred = predict(model), actual = mtcars$mpg)\n\n#view first six lines of data<\/span>\nhead(data)\n\n pred actual\nMazda RX4 23.14809 21.0\nMazda RX4 Wag 23.14809 21.0\nDatsun 710 25.14838 22.8\nHornet 4 Drive 20.17416 21.4\nHornet Sportabout 15.46423 18.7\nValiant 21.29978 18.1\n<\/strong><\/pre>\n #calculate MSE<\/span>\nmean((data$actual - data$pred)^2)\n\n[1] 8.85917<\/strong><\/pre>\n