R语言评测回归模型的性能

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"

R语言评测回归模型的性能_第1张图片
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- rse
rsquare
[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
R语言评测回归模型的性能_第2张图片
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$y3
rmse = (mean((predicted - actual)^2))^0.5
rmse
[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。

你可能感兴趣的:(R语言模型评估)