Як розрахувати mse в r
Одним із найбільш часто використовуваних показників для вимірювання точності передбачення моделі є MSE , що означає середню квадратичну помилку . Він розраховується таким чином:
MSE = (1/n) * Σ(фактичний – прогноз) 2
золото:
- Σ – химерний символ, що означає «сума»
- n – розмір вибірки
- real – фактичне значення даних
- прогноз – значення прогнозованих даних
Чим нижче значення MSE, тим точніше модель здатна передбачити значення.
Як розрахувати MSE в R
Залежно від формату ваших даних, є два прості методи, які можна використати для обчислення MSE регресійної моделі в R.
Спосіб 1: обчисліть MSE за регресійною моделлю
В одному сценарії ви можете мати підігнану регресійну модель і просто хочете обчислити MSE моделі. Наприклад, у вас може бути така модель регресії:
#load mtcars dataset data(mtcars) #fit regression model model <- lm(mpg~disp+hp, data=mtcars) #get model summary model_summ <-summary(model)
Щоб розрахувати MSE цієї моделі, ви можете використовувати таку формулу:
#calculate MSE
mean(model_summ$residuals^2)
[1] 8.85917
Це означає, що MSE становить 8,85917 .
Спосіб 2: обчисліть MSE зі списку прогнозованих і фактичних значень
В іншому випадку ви можете просто мати список прогнозованих і фактичних значень. Наприклад:
#create data frame with a column of actual values and a column of predicted values data <- data.frame(pred = predict(model), actual = mtcars$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
У цьому випадку ви можете використовувати наступну формулу для розрахунку MSE:
#calculate MSE
mean((data$actual - data$pred)^2)
[1] 8.85917
Це говорить нам про те, що MSE дорівнює 8,85917 , що відповідає MSE, який ми обчислили за допомогою попереднього методу.