Hoe lager de RMSE, hoe beter een bepaald model in een dataset kan \u2018passen\u2019.<\/span><\/p>\n De formule voor het vinden van de gemiddelde kwadratische fout, vaak afgekort als RMSE<\/strong> , is:<\/span><\/p>\n RMSE =<\/strong> \u221a \u03a3(P ik<\/sub> \u2013 O ik<\/sub> ) 2<\/sup> \/ n<\/span><\/span><\/p>\n Goud:<\/span><\/p>\n In het volgende stapsgewijze voorbeeld ziet u hoe u de RMSE berekent voor een eenvoudig lineair regressiemodel in SAS.<\/span><\/p>\n Voor dit voorbeeld maken we een dataset aan met daarin het totaal aantal gestudeerde uren en het eindexamencijfer van 15 studenten.<\/span><\/p>\n We passen een eenvoudig lineair regressiemodel toe met uren<\/em> als voorspellende variabele en score<\/em> als responsvariabele.<\/span><\/p>\n De volgende code laat zien hoe u deze gegevensset in SAS maakt:<\/span> <\/p>\n Vervolgens zullen we proc reg<\/strong> gebruiken om in het eenvoudige lineaire regressiemodel te passen:<\/span> <\/p>\n Merk op dat de RMSE in de uitvoer 3.64093<\/strong> is.<\/span><\/p>\n Als u alleen de RMSE van dit model en geen van de andere uitvoerresultaten wilt weergeven, kunt u de volgende code gebruiken:<\/span> <\/p>\n Houd er rekening mee dat alleen de RMSE-waarde van 3,64093<\/b> in de uitvoer wordt weergegeven.<\/span><\/p>\n Opmerking<\/strong> : het noprint-<\/strong> argument in proc reg<\/strong> vertelt SAS om niet de volledige uitvoer van regressieresultaten af te drukken, zoals in de vorige stap.<\/span><\/p>\n In de volgende zelfstudies wordt uitgelegd hoe u andere veelvoorkomende taken in SAS kunt uitvoeren:<\/span><\/p>\n Hoe u eenvoudige lineaire regressie uitvoert in SAS<\/a> Een manier om te evalueren hoe goed een regressiemodel bij een dataset past, is door de gemiddelde kwadratische fout te berekenen, een metriek die ons de gemiddelde afstand vertelt tussen de voorspelde waarden van het model en de werkelijke waarden van de dataset. Hoe lager de RMSE, hoe beter een bepaald model in een dataset […]<\/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":[],"class_list":["post-4430","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Stap 1: Cre\u00eber de gegevens<\/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 Stap 2: Pas het eenvoudige lineaire regressiemodel toe<\/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![\"eenvoudige](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas2.jpg\")
<\/p>\n Stap 3: Haal de RMSE uit het regressiemodel<\/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![\"Bereken](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rmse11.png\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe u meerdere lineaire regressie uitvoert in SAS<\/a>
Hoe polynomiale regressie uit te voeren in SAS<\/a>
Hoe logistische regressie uit te voeren in SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"