Как рассчитать mse в r

Одной из наиболее часто используемых метрик для измерения точности прогнозирования модели является MSE , что означает среднеквадратическую ошибку . Он рассчитывается следующим образом:

MSE = (1/n) * Σ(факт – прогноз) ²

Золото:

• Σ – причудливый символ, означающий «сумма».
• n – размер выборки
• реальный – фактическое значение данных
• предсказание – значение прогнозируемых данных

Чем ниже значение MSE, тем точнее модель способна прогнозировать значения.

Как рассчитать MSE в R

В зависимости от формата ваших данных, вы можете использовать два простых метода для расчета MSE регрессионной модели в R.

Метод 1. Рассчитайте MSE из регрессионной модели.

В одном сценарии у вас может быть подобранная регрессионная модель, и вы просто хотите вычислить MSE модели. Например, у вас может быть следующая модель регрессии:

 #load mtcars dataset
data(mtcars)

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

#get model summary
model_summ <-summary(model)

Для расчета MSE этой модели можно использовать следующую формулу:

 #calculate MSE
mean(model_summ$residuals^2)

[1] 8.85917

Это говорит нам о том, что MSE составляет 8,85917 .

Метод 2. Рассчитайте MSE из списка прогнозируемых и фактических значений.

В другом сценарии у вас может быть просто список прогнозируемых и фактических значений. Например:

 #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

В этом случае для расчета MSE можно использовать следующую формулу:

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

[1] 8.85917

Это говорит нам о том, что MSE составляет 8,85917 , что соответствует MSE, которое мы рассчитали с помощью предыдущего метода.