<\/p>\n
De root mean square error (RMSE)<\/strong> is een maatstaf die ons vertelt hoe ver onze voorspelde waarden gemiddeld afwijken van onze waargenomen waarden in een regressieanalyse. Het wordt als volgt berekend:<\/span><\/p>\n RMSE<\/strong> = \u221a[ \u03a3(P ik<\/sub> \u2013 O ik<\/sub> ) 2<\/sup> \/ n ]<\/span><\/p>\n Goud:<\/span><\/p>\n In deze tutorial worden twee methoden uitgelegd die u kunt gebruiken om RMSE in R te berekenen.<\/span><\/p>\n Stel dat we een dataset hebben met een kolom met daarin de werkelijke datawaarden en een kolom met de voorspelde datawaarden:<\/span><\/p>\n Om de RMSE te berekenen, kunnen we de volgende functie gebruiken:<\/span><\/p>\n De gemiddelde kwadratische fout is 2,43242<\/strong> .<\/span><\/p>\n We kunnen ook de RMSE voor dezelfde gegevensset berekenen met behulp van de functie rmse()<\/strong> uit het Metrics-<\/strong> pakket, dat de volgende syntaxis gebruikt:<\/span><\/p>\n rmse (werkelijk, gepland)<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n Dit is de syntaxis die we in ons voorbeeld zouden gebruiken:<\/span><\/p>\n De gemiddelde kwadratische fout is 2.43242<\/strong> , wat overeenkomt met wat we eerder hebben berekend met behulp van onze eigen functie.<\/span><\/p>\n RMSE is een handige manier om te zien hoe goed een regressiemodel in een dataset past.<\/span><\/p>\n Hoe groter de RMSE, hoe groter het verschil tussen de voorspelde en waargenomen waarden, wat betekent dat hoe slechter het regressiemodel bij de gegevens past. Omgekeerd geldt: hoe kleiner de RMSE, hoe beter het model in de gegevens kan passen.<\/span><\/p>\n Het kan bijzonder nuttig zijn om de RMSE van twee verschillende modellen te vergelijken om te zien welk model het beste bij de gegevens past.<\/span><\/p>\n RMSE-calculator<\/a> De root mean square error (RMSE) is een maatstaf die ons vertelt hoe ver onze voorspelde waarden gemiddeld afwijken van onze waargenomen waarden in een regressieanalyse. Het wordt als volgt berekend: RMSE = \u221a[ \u03a3(P ik \u2013 O ik ) 2 \/ n ] Goud: \u03a3 is een mooi symbool dat \u2018som\u2019 betekent Pi is […]<\/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-681","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Methode 1: Schrijf uw eigen functie<\/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 Methode 2: Gebruik een pakket<\/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 Hoe de RMSE te interpreteren<\/strong><\/h2>\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe MSE in R te berekenen<\/a>
Hoe MAPE in R te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"