<\/p>\n
Root mean square error (RMSE)<\/strong> adalah ukuran yang memberi tahu kita seberapa jauh rata-rata nilai prediksi kita dari nilai pengamatan kita dalam analisis regresi. Ini dihitung sebagai berikut:<\/span><\/p>\n RMSE<\/strong> = \u221a[ \u03a3(P i<\/sub> \u2013 O i<\/sub> ) 2<\/sup> \/ n ]<\/span><\/p>\n Emas:<\/span><\/p>\n Tutorial ini menjelaskan dua metode yang dapat Anda gunakan untuk menghitung RMSE di R.<\/span><\/p>\n Misalkan kita mempunyai dataset dengan kolom berisi nilai data aktual dan kolom berisi nilai data prediksi:<\/span><\/p>\n Untuk menghitung RMSE, kita dapat menggunakan fungsi berikut:<\/span><\/p>\n Kesalahan kuadrat rata-rata adalah 2.43242<\/strong> .<\/span><\/p>\n Kita juga dapat menghitung RMSE untuk kumpulan data yang sama menggunakan fungsi rmse()<\/strong> dari paket Metrics<\/strong> , yang menggunakan sintaksis berikut:<\/span><\/p>\n rmse (aktual, direncanakan)<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Berikut adalah sintaks yang akan kita gunakan dalam contoh kita:<\/span><\/p>\n Kesalahan kuadrat rata-ratanya adalah 2.43242<\/strong> , yang cocok dengan apa yang kita hitung sebelumnya menggunakan fungsi kita sendiri.<\/span><\/p>\n RMSE adalah cara yang berguna untuk melihat seberapa baik model regresi dapat menyesuaikan dengan kumpulan data.<\/span><\/p>\n Semakin besar RMSE, semakin besar perbedaan antara nilai prediksi dan observasi, yang berarti semakin buruk kecocokan model regresi dengan data. Sebaliknya, semakin kecil RMSE, maka model tersebut semakin mampu menyesuaikan dengan data.<\/span><\/p>\n Akan sangat berguna jika membandingkan RMSE dari dua model berbeda untuk melihat model mana yang paling sesuai dengan data.<\/span><\/p>\n Kalkulator RMSE<\/a> Root mean square error (RMSE) adalah ukuran yang memberi tahu kita seberapa jauh rata-rata nilai prediksi kita dari nilai pengamatan kita dalam analisis regresi. Ini dihitung sebagai berikut: RMSE = \u221a[ \u03a3(P i \u2013 O i ) 2 \/ n ] Emas: \u03a3 adalah simbol mewah yang berarti \u201cjumlah\u201d P i adalah nilai prediksi observasi […]<\/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
Metode 1: Tulis fungsi Anda sendiri<\/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 Metode 2: Gunakan 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 Bagaimana menafsirkan RMSE<\/strong><\/h2>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menghitung UMK di R<\/a>
Cara menghitung MAPE di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"