<\/p>\n
Anda dapat menggunakan sintaks berikut untuk mengekstrak root mean square error (RMSE)<\/strong> dari fungsi lm()<\/a> di R:<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya.<\/span><\/p>\n Terkait:<\/strong> Cara Menafsirkan Root Mean Square Error (RMSE)<\/a><\/span><\/p>\n Misalkan kita memasukkan model regresi linier berganda berikut ke dalam R:<\/span><\/p>\n Kita dapat menggunakan fungsi ringkasan()<\/strong> untuk menampilkan ringkasan lengkap model regresi:<\/span><\/p>\n Untuk mengekstrak root mean square error (RMSE) model saja, kita dapat menggunakan sintaks berikut:<\/span><\/p>\n RMSE modelnya adalah 2.090564<\/strong> .<\/span><\/p>\n Ini mewakili jarak rata-rata antara nilai prediksi model dan nilai sebenarnya dari kumpulan data.<\/span><\/p>\n Perhatikan bahwa semakin rendah RMSE, semakin baik kemampuan model tertentu untuk \u201cmenyesuaikan\u201d kumpulan data.<\/span><\/p>\n Saat membandingkan beberapa model regresi yang berbeda, model dengan RMSE terendah dianggap sebagai model yang paling “sesuai” dengan kumpulan data.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Anda dapat menggunakan sintaks berikut untuk mengekstrak root mean square error (RMSE) dari fungsi lm() di R: sqrt(mean(model$residuals^2)) Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya. Terkait: Cara Menafsirkan Root Mean Square Error (RMSE) Contoh: Ekstrak RMSE dari lm() di R Misalkan kita memasukkan model regresi linier berganda berikut ke dalam R: #create data […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n sqrt(mean(model$residuals^2))\n<\/strong><\/pre>\n
Contoh: Ekstrak RMSE dari lm() di R<\/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 Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di R<\/a>
Cara membuat plot sisa di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"