Cara mengekstrak rmse dari fungsi lm() di r

Anda dapat menggunakan sintaks berikut untuk mengekstrak root mean square error (RMSE) dari fungsi lm() di R:

 sqrt(mean(model$residuals^2))

Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya.

Terkait: Cara Menafsirkan Root Mean Square Error (RMSE)

Contoh: Ekstrak RMSE dari lm() di R

Misalkan kita memasukkan model regresi linier berganda berikut ke dalam R:

 #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)

Kita dapat menggunakan fungsi ringkasan() untuk menampilkan ringkasan lengkap model regresi:

 #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

Untuk mengekstrak root mean square error (RMSE) model saja, kita dapat menggunakan sintaks berikut:

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

[1] 2.090564

RMSE modelnya adalah 2.090564 .

Ini mewakili jarak rata-rata antara nilai prediksi model dan nilai sebenarnya dari kumpulan data.

Perhatikan bahwa semakin rendah RMSE, semakin baik kemampuan model tertentu untuk “menyesuaikan” kumpulan data.

Saat membandingkan beberapa model regresi yang berbeda, model dengan RMSE terendah dianggap sebagai model yang paling “sesuai” dengan kumpulan data.

Sumber daya tambahan

Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:

Cara melakukan regresi linier sederhana di R
Cara melakukan regresi linier berganda di R
Cara membuat plot sisa di R