Semakin rendah RMSE, semakin baik model tertentu mampu \u201cmenyesuaikan\u201d kumpulan data.<\/span><\/p>\n Rumus untuk mencari mean square error yang sering disingkat RMSE<\/strong> adalah:<\/span><\/p>\n RMSE =<\/strong> \u221a \u03a3(P saya<\/sub> \u2013 O saya<\/sub> ) 2<\/sup> \/ n<\/span><\/span><\/p>\n Emas:<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara menghitung RMSE untuk model regresi linier sederhana di SAS.<\/span><\/p>\n Untuk contoh ini, kita akan membuat dataset yang berisi jumlah jam belajar dan nilai ujian akhir 15 siswa.<\/span><\/p>\n Kami akan menyesuaikan model regresi linier sederhana dengan menggunakan jam<\/em> sebagai variabel prediktor dan skor<\/em> sebagai variabel respon.<\/span><\/p>\n Kode berikut menunjukkan cara membuat kumpulan data ini di SAS:<\/span> <\/p>\n Selanjutnya, kita akan menggunakan proc reg<\/strong> agar sesuai dengan model regresi linier sederhana:<\/span> <\/p>\n Perhatikan bahwa RMSE pada keluarannya adalah 3.64093<\/strong> .<\/span><\/p>\n Jika Anda hanya ingin menampilkan RMSE model ini dan tidak ada hasil keluaran lainnya, Anda dapat menggunakan kode berikut:<\/span> <\/p>\n Perhatikan bahwa hanya nilai RMSE 3,64093<\/b> yang ditampilkan di output.<\/span><\/p>\n Catatan<\/strong> : Argumen noprint<\/strong> di proc reg<\/strong> memberitahu SAS untuk tidak mencetak seluruh output hasil regresi seperti yang dilakukan pada langkah sebelumnya.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di SAS:<\/span><\/p>\n Cara melakukan regresi linier sederhana di SAS<\/a> Salah satu cara untuk mengevaluasi seberapa cocok model regresi dengan kumpulan data adalah dengan menghitung mean squared error , yaitu metrik yang memberi tahu kita jarak rata-rata antara nilai prediksi model dan nilai sebenarnya dari kumpulan data. Semakin rendah RMSE, semakin baik model tertentu mampu \u201cmenyesuaikan\u201d kumpulan data. Rumus untuk mencari mean square error yang […]<\/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
Langkah 1: Buat datanya<\/b><\/span><\/h2>\n
\/*create dataset*\/\n<\/span>data<\/span> exam_data;\n input<\/span> hours score;\n datalines<\/span> ;\n1 64\n2 66\n4 76\n5 73\n5 74\n6 81\n6 83\n7 82\n8 80\n10 88\n11 84\n11 82\n12 91\n12 93\n14 89\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =exam_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas1.jpg\")
<\/p>\n Langkah 2: Sesuaikan model regresi linier sederhana<\/b><\/span><\/h2>\n
\/*fit simple linear regression model*\/\n<\/span>proc reg<\/span> data<\/span> =exam_data;\n model<\/span> score = hours;\nrun<\/span> ;<\/strong> <\/pre>\n![\"keluaran](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas2.jpg\")
<\/p>\n Langkah 3: Ekstrak RMSE dari model regresi<\/strong><\/span><\/h2>\n
\/*fit simple linear regression model*\/<\/span>\nproc reg<\/span> data<\/span> =exam_data outest<\/span> =outest noprint<\/span> ;\n model<\/span> score = hours \/ rmse<\/span> ;\nrun<\/span> ;\nquit<\/span> ;\n\n\/*print RMSE of model*\/\n<\/span>proc print<\/span> data<\/span> =outest;\n var<\/span> _RMSE_;\nrun<\/span> ;<\/span><\/strong> <\/pre>\n![\"Hitung](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rmse11.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di SAS<\/a>
Cara melakukan regresi polinomial di SAS<\/a>
Cara melakukan regresi logistik di SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"