R语言评测回归模型的性能
来源:互联网 发布:sql insert into 多表 编辑:程序博客网 时间:2024/05/18 14:12
说明
通过计算预测值和实际值之间的差值大小可以评估回归模型预测性能的优劣,常用的误差评测标准包括均方根误差(root mean square error,RMSE),相对平方差(Relative Square Error,RSE)以及可决系数(R-Square).
操作
建立一个回归模型
library(car)data(Quartet)plot(Quartet$x,Quartet$y3)lmfit = lm(Quartet$y3~Quartet$x)abline(lmfit,col= "red")
线性回归结果示意
调用predict函数得到预测结果
predicted = predict(lmfit,newdata = Quartet[c("x")])
计算两者之间的均方根误差:
actual = Quartet$y3> rmse = (mean((predicted - actual)^2))^0.5> rmse[1] 1.118286
计算相对平方误差:
mu = mean(actual)rse = mean((predicted - actual)^2)/mean((mu-actual)^2)rse[1] 0.333676
计算模型的R-Square
rsquare = 1- rsersquare[1] 0.666324
采用MASS算法包的rlm函数重新计算属性y3的值,并调用plot绘制结果
调用predict函数求预测结果
predicted = predict(rlmfit,newdata = Quartet[c("x")])
计算预测值与实际之间的均方根误差
actual = Quartet$y3rmse = (mean((predicted - actual)^2))^0.5rmse[1] 1.279045
计算两者之间的相对平方误差
mu = mean(actual)rse = mean((predicted - actual)^2)/mean((mu-actual)^2)rse[1] 0.4365067
计算模型的R-Square值:
rsquare = 1- rse> rsquare[1] 0.5634933
说明
回归模型的评测可以通过计算预测值和实际间的差值完成,我们经常使用均方根误差,相对平方误差,以及R^2值作为三种常用的回归模型误差评估标准。
阅读全文
0 0
- R语言评测回归模型的性能
- R语言利用ROCR评测模型的预测能力
- R语言logistic回归模型
- 衡量回归模型的效果--R语言实现
- 非线性回归模型、多项式回归、局部回归的r语言代码
- R语言解读一元线性回归模型
- 二分类模型性能评价(R语言,logistic回归,ROC曲线,lift曲线,lorenz曲线)
- 二分类模型性能评价(R语言,logistic回归,ROC曲线,lift曲线,lorenz曲线)
- R语言--线性回归(2)回归模型推导
- R语言线性模型glm()logistic回归模型
- 时间序列分析(3)R语言-最基础的回归模型
- R语言利用逻辑回归模型预测用户活跃
- R语言:多元线性回归和模型检验
- R语言调用rlm函数生成稳建回归模型
- R语言数据清洗与规整-回归模型为例
- 如何在R语言中使用Logistic回归模型 详解
- R语言回归模型预测绘图plot,predict,回归诊断,模型评价
- R 语言与简单的回归分析
- 面试笔试问到一些问题
- Spark配置属性详解
- BZOJ 3643 Phi的反函数
- Pandas index详解
- C语言里面,四舍五入的原理
- R语言评测回归模型的性能
- 协方差和协方差矩阵详解
- 机器学习-(1):监督学习
- tensorflow 中MNIST数据集下载
- iOS AVAssetExportSession视频进行转码、裁剪
- Java多线程之模拟一个阻塞队列
- Android相机开发中遇到的坑(注意事项)
- 两数组的交 II
- 导入SDE类型为esriGeometryPoint,在SDE中导出为esriGeometryAny