📅  最后修改于: 2023-12-03 15:25:44.765000             🧑  作者: Mango
在回归分析中,RMSE、MAE、MSE、Rsquared是四个常用的评价指标。本文将介绍如何使用R语言手动计算这些指标。
我们首先需要加载数据。这里我们使用mtcars数据集,该数据集包含32种不同的汽车型号的性能数据。
data(mtcars)
接下来,我们需要训练一个线性回归模型,并对测试集进行预测。
fit <- lm(wt ~ mpg, data = mtcars)
predicted <- predict(fit, mtcars)
RMSE衡量预测值与实际值之间的差异。计算RMSE的公式如下:
$$RMSE = \sqrt{\frac{\sum_{i=1}^{n}(y_i - \hat{y_i})^2}{n}}$$
其中,$y_i$代表实际值,$\hat{y_i}$代表预测值,$n$代表样本数量。
rmse <- sqrt(mean((mtcars$wt - predicted)^2))
rmse
MAE衡量预测值与实际值之间的平均绝对误差。计算MAE的公式如下:
$$MAE = \frac{\sum_{i=1}^{n}|y_i - \hat{y_i}|}{n}$$
mae <- mean(abs(mtcars$wt - predicted))
mae
MSE衡量预测值与实际值之间的平均误差的平方值。计算MSE的公式如下:
$$MSE = \frac{\sum_{i=1}^{n}(y_i - \hat{y_i})^2}{n}$$
mse <- mean((mtcars$wt - predicted)^2)
mse
Rsquared衡量模型的拟合程度。计算Rsquared的公式如下:
$$R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y_i})^2}{\sum_{i=1}^{n}(y_i - \bar{y})^2}$$
其中,$\bar{y}$代表实际值的平均值。
rsquared <- 1 - sum((mtcars$wt - predicted)^2) / sum((mtcars$wt - mean(mtcars$wt))^2)
rsquared
至此,我们已经成功计算了RMSE、MAE、MSE、Rsquared这四个指标。这些指标可以帮助我们更好地理解模型的性能,并做出相应的调整和优化。