Come calcolare mse in r
Uno dei parametri più comunemente utilizzati per misurare l’accuratezza della previsione di un modello è MSE , che sta per errore quadratico medio . Viene calcolato come segue:
MSE = (1/n) * Σ(effettivo – previsto) 2
Oro:
- Σ – un simbolo di fantasia che significa “somma”
- n – dimensione del campione
- reale : il valore effettivo dei dati
- previsione : il valore dei dati previsti
Quanto più basso è il valore MSE, tanto più accuratamente un modello è in grado di prevedere i valori.
Come calcolare MSE in R
A seconda del formato in cui si trovano i dati, esistono due semplici metodi che è possibile utilizzare per calcolare l’MSE di un modello di regressione in R.
Metodo 1: calcolare l’MSE dal modello di regressione
In uno scenario, potresti avere un modello di regressione adattato e voler semplicemente calcolare l’MSE del modello. Ad esempio, potresti avere il seguente modello di regressione:
#load mtcars dataset data(mtcars) #fit regression model model <- lm(mpg~disp+hp, data=mtcars) #get model summary model_summ <-summary(model)
Per calcolare l’MSE di questo modello, è possibile utilizzare la seguente formula:
#calculate MSE
mean(model_summ$residuals^2)
[1] 8.85917
Questo ci dice che l’MSE è 8.85917 .
Metodo 2: calcolare l’MSE da un elenco di valori previsti ed effettivi
In un altro scenario, potresti semplicemente avere un elenco di valori previsti ed effettivi. Per esempio:
#create data frame with a column of actual values and a column of predicted values data <- data.frame(pred = predict(model), actual = mtcars$mpg) #view first six lines of data head(data) pred actual Mazda RX4 23.14809 21.0 Mazda RX4 Wag 23.14809 21.0 Datsun 710 25.14838 22.8 Hornet 4 Drive 20.17416 21.4 Hornet Sportabout 15.46423 18.7 Valiant 21.29978 18.1
In questo caso, è possibile utilizzare la seguente formula per calcolare l’MSE:
#calculate MSE
mean((data$actual - data$pred)^2)
[1] 8.85917
Questo ci dice che l’MSE è 8.85917 , che corrisponde all’MSE che abbiamo calcolato utilizzando il metodo precedente.