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.

Додати коментар

Ваша e-mail адреса не оприлюднюватиметься. Обов’язкові поля позначені *