本文介绍MSE(均方差)，并使用两种R方法实现。
MSE(均方差)
判定预测模型的准确度的常用方法是均方差MSE( mean squared error)。计算公示为：
MSE = (1/n) * Σ(actual – prediction)^2
- Σ 求和符号
- n 样本大小
- actual 实际数据值
- prediction 预测数据值
mse越小，预测模型准确性越高。
R计算MSE
依赖给定的数据格式，有两种方式很容易计算回归模型的MSE.
如果已经有了拟合回归模型，则可以很方便获得MSE:
#load mtcars dataset
data(mtcars)
#fit regression model
model
我们可以通过下面代码计算MSE:
#calculate MSE
mean(model_summ$residuals^2)
[1] 8.85917
返回8.85917即为MSE的值。
有时我们只有预测值和实际值列表：
data
这是我们通过上面的公式进行计算：
#calculate MSE
mean((data$actual - data$pred)^2)
[1] 8.85917
我们看到与前面的计算结果一致。
Original: https://blog.csdn.net/neweastsun/article/details/122073507
Author: 梦想画家
Title: R 计算均方差MSE(mean squared error)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/613741/
转载文章受原作者版权保护。转载请注明原作者出处！