<\/p>\n
L’ errore quadratico medio (RMSE)<\/strong> \u00e8 una misura che ci dice quanto i nostri valori previsti sono lontani dai valori osservati in un’analisi di regressione, in media. Viene calcolato come segue:<\/span><\/p>\n RMSE<\/strong> = \u221a[ \u03a3(P i<\/sub> \u2013 O i<\/sub> ) 2<\/sup> \/ n ]<\/span><\/p>\n Oro:<\/span><\/p>\n Questo tutorial spiega due metodi che puoi utilizzare per calcolare RMSE in R.<\/span><\/p>\n Supponiamo di avere un set di dati con una colonna contenente i valori dei dati effettivi e una colonna contenente i valori dei dati previsti:<\/span><\/p>\n Per calcolare l’RMSE, possiamo utilizzare la seguente funzione:<\/span><\/p>\n L’errore quadratico medio \u00e8 2.43242<\/strong> .<\/span><\/p>\n Potremmo anche calcolare l’RMSE per lo stesso set di dati utilizzando la funzione rmse()<\/strong> del pacchetto Metrics<\/strong> , che utilizza la seguente sintassi:<\/span><\/p>\n rmse (effettivo, pianificato)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n Ecco la sintassi che utilizzeremmo nel nostro esempio:<\/span><\/p>\n L’errore quadratico medio \u00e8 2.43242<\/strong> , che corrisponde a quanto calcolato in precedenza utilizzando la nostra funzione.<\/span><\/p>\n RMSE \u00e8 un modo utile per vedere quanto bene un modello di regressione \u00e8 in grado di adattarsi a un set di dati.<\/span><\/p>\n Maggiore \u00e8 l’RMSE, maggiore \u00e8 la differenza tra i valori previsti e quelli osservati, il che significa che peggiore \u00e8 l’adattamento del modello di regressione ai dati. Al contrario, pi\u00f9 piccolo \u00e8 l\u2019RMSE, migliore \u00e8 la capacit\u00e0 del modello di adattare i dati.<\/span><\/p>\n Pu\u00f2 essere particolarmente utile confrontare l’RMSE di due diversi modelli per vedere quale modello si adatta meglio ai dati.<\/span><\/p>\n Calcolatore RMSE<\/a> L’ errore quadratico medio (RMSE) \u00e8 una misura che ci dice quanto i nostri valori previsti sono lontani dai valori osservati in un’analisi di regressione, in media. Viene calcolato come segue: RMSE = \u221a[ \u03a3(P i \u2013 O i ) 2 \/ n ] Oro: \u03a3 \u00e8 un simbolo di fantasia che significa “somma” Pi […]<\/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
Metodo 1: scrivi la tua funzione<\/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 Metodo 2: utilizzare un pacchetto<\/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 Come interpretare l’RMSE<\/strong><\/h2>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare MSE in R<\/a>
Come calcolare MAPE in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"