Pi\u00f9 basso \u00e8 l\u2019RMSE, migliore \u00e8 la capacit\u00e0 di un dato modello di \u201cadattarsi\u201d a un set di dati.<\/span><\/p>\n La formula per trovare l’errore quadratico medio, spesso abbreviata RMSE<\/strong> , \u00e8:<\/span><\/p>\n RMSE =<\/strong> \u221a \u03a3(P i<\/sub> \u2013 O i<\/sub> ) 2<\/sup> \/ n<\/span><\/span><\/p>\n Oro:<\/span><\/p>\n Il seguente esempio passo passo mostra come calcolare l’RMSE per un modello di regressione lineare semplice in SAS.<\/span><\/p>\n Per questo esempio, creeremo un set di dati contenente il numero totale di ore studiate e il voto dell’esame finale di 15 studenti.<\/span><\/p>\n Adatteremo un semplice modello di regressione lineare utilizzando le ore<\/em> come variabile predittiva e il punteggio<\/em> come variabile di risposta.<\/span><\/p>\n Il codice seguente mostra come creare questo set di dati in SAS:<\/span> <\/p>\n Successivamente, utilizzeremo proc reg<\/strong> per adattare il modello di regressione lineare semplice:<\/span> <\/p>\n Tieni presente che l’RMSE nell’output \u00e8 3.64093<\/strong> .<\/span><\/p>\n Se desideri visualizzare solo l’RMSE di questo modello e nessuno degli altri risultati di output, puoi utilizzare il seguente codice:<\/span> <\/p>\n Tieni presente che nell’output viene visualizzato solo il valore RMSE di 3,64093<\/b> .<\/span><\/p>\n Nota<\/strong> : l’argomento noprint<\/strong> in proc reg<\/strong> indica a SAS di non stampare l’intero output dei risultati della regressione come nel passaggio precedente.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in SAS:<\/span><\/p>\n Come eseguire una regressione lineare semplice in SAS<\/a> Un modo per valutare quanto bene un modello di regressione si adatta a un set di dati \u00e8 calcolare l’ errore quadratico medio , che \u00e8 una metrica che ci indica la distanza media tra i valori previsti del modello e i valori effettivi del set di dati. Pi\u00f9 basso \u00e8 l\u2019RMSE, migliore \u00e8 la […]<\/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
Passaggio 1: creare i dati<\/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 Passaggio 2: adattare il modello di regressione lineare semplice<\/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![\"output](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas2.jpg\")
<\/p>\n Passaggio 3: estrarre l’RMSE dal modello di regressione<\/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![\"Calcola](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rmse11.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione lineare multipla in SAS<\/a>
Come eseguire la regressione polinomiale in SAS<\/a>
Come eseguire la regressione logistica in SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"