<\/p>\n
Uno dei parametri pi\u00f9 comunemente utilizzati per misurare l’accuratezza della previsione di un modello \u00e8 MSE<\/strong> , che sta per errore quadratico medio<\/strong> . Viene calcolato come segue:<\/span><\/p>\n MSE<\/strong> = (1\/n) * \u03a3(effettivo \u2013 previsto) 2<\/sup><\/span><\/p>\n Oro:<\/span><\/p>\n Quanto pi\u00f9 basso \u00e8 il valore MSE, tanto pi\u00f9 accuratamente un modello \u00e8 in grado di prevedere i valori.<\/span><\/p>\n A seconda del formato in cui si trovano i dati, esistono due semplici metodi che \u00e8 possibile utilizzare per calcolare l’MSE di un modello di regressione in R.<\/span><\/p>\n 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:<\/span><\/p>\n Per calcolare l’MSE di questo modello, \u00e8 possibile utilizzare la seguente formula:<\/span><\/p>\n Questo ci dice che l’MSE \u00e8 8.85917<\/strong> .<\/span><\/p>\n In un altro scenario, potresti semplicemente avere un elenco di valori previsti ed effettivi. Per esempio:<\/span><\/p>\n In questo caso, \u00e8 possibile utilizzare la seguente formula per calcolare l’MSE:<\/span><\/p>\n Questo ci dice che l’MSE \u00e8 8.85917<\/strong> , che corrisponde all’MSE che abbiamo calcolato utilizzando il metodo precedente.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Uno dei parametri pi\u00f9 comunemente utilizzati per misurare l’accuratezza della previsione di un modello \u00e8 MSE , che sta per errore quadratico medio . Viene calcolato come segue: MSE = (1\/n) * \u03a3(effettivo \u2013 previsto) 2 Oro: \u03a3 \u2013 un simbolo di fantasia che significa \u201csomma\u201d n \u2013 dimensione del campione reale : il valore […]<\/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
Come calcolare MSE in R<\/strong><\/h2>\n
Metodo 1: calcolare l’MSE dal modello di regressione<\/strong><\/span><\/h3>\n
#load mtcars dataset<\/span>\ndata(mtcars)\n\n#fit regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#get model summary\n<\/span>model_summ <-summary(model)\n<\/strong><\/pre>\n #calculate MSE<\/span>\nmean(model_summ$residuals^2)\n\n[1] 8.85917<\/strong><\/pre>\n Metodo 2: calcolare l’MSE da un elenco di valori previsti ed effettivi<\/strong><\/span><\/h3>\n
#create data frame with a column of actual values and a column of predicted values<\/span>\ndata <- data.frame(pred = predict(model), actual = mtcars$mpg)\n\n#view first six lines of data<\/span>\nhead(data)\n\n pred actual\nMazda RX4 23.14809 21.0\nMazda RX4 Wag 23.14809 21.0\nDatsun 710 25.14838 22.8\nHornet 4 Drive 20.17416 21.4\nHornet Sportabout 15.46423 18.7\nValiant 21.29978 18.1\n<\/strong><\/pre>\n #calculate MSE<\/span>\nmean((data$actual - data$pred)^2)\n\n[1] 8.85917<\/strong><\/pre>\n