Jak obliczyć mse w r

Jedną z najczęściej używanych metryk do pomiaru dokładności przewidywania modelu jest MSE , co oznacza błąd średniokwadratowy . Oblicza się go w następujący sposób:

MSE = (1/n) * Σ(rzeczywista – prognoza) ²

Złoto:

• Σ – fantazyjny symbol oznaczający „sumę”
• n – wielkość próby
• real – rzeczywista wartość danych
• predykcja – wartość przewidywanych danych

Im niższa wartość MSE, tym dokładniej model jest w stanie przewidzieć wartości.

Jak obliczyć MSE w R

W zależności od formatu danych istnieją dwie proste metody, których można użyć do obliczenia MSE modelu regresji w języku R.

Metoda 1: Oblicz MSE z modelu regresji

W jednym scenariuszu możesz mieć dopasowany model regresji i po prostu chcieć obliczyć MSE modelu. Na przykład możesz mieć następujący model regresji:

 #load mtcars dataset
data(mtcars)

#fit regression model
model <- lm(mpg~disp+hp, data=mtcars)

#get model summary
model_summ <-summary(model)

Aby obliczyć MSE tego modelu, możesz skorzystać z następującego wzoru:

 #calculate MSE
mean(model_summ$residuals^2)

[1] 8.85917

To mówi nam, że MSE wynosi 8,85917 .

Metoda 2: Oblicz MSE z listy wartości przewidywanych i rzeczywistych

W innym scenariuszu możesz po prostu mieć listę przewidywanych i rzeczywistych wartości. Na przykład:

 #create data frame with a column of actual values and a column of predicted values
data <- data.frame(pred = predict(model), actual = mtcars$mpg)

#view first six lines of data
head(data)

                      pred actual
Mazda RX4 23.14809 21.0
Mazda RX4 Wag 23.14809 21.0
Datsun 710 25.14838 22.8
Hornet 4 Drive 20.17416 21.4
Hornet Sportabout 15.46423 18.7
Valiant 21.29978 18.1

W takim przypadku możesz użyć następującego wzoru do obliczenia MSE:

 #calculate MSE
mean((data$actual - data$pred)^2)

[1] 8.85917

To mówi nam, że MSE wynosi 8,85917 , co odpowiada MSE obliczonemu przy użyciu poprzedniej metody.