Comment faire pour obtenir RMSE de lm résultat?

Je sais qu'il y a une petite différence entre $sigma et le concept de racine de l'erreur quadratique moyenne. Donc, je me demande quelle est la manière la plus simple d'obtenir RMSE de lm fonction dans R?

res<-lm(randomData$price ~randomData$carat+
                     randomData$cut+randomData$color+
                     randomData$clarity+randomData$depth+
                     randomData$table+randomData$x+
                     randomData$y+randomData$z)

length(coefficients(res))

contient 24 coefficient, et je ne peux pas faire mon modèle manuellement plus.
Alors, comment puis-je évaluer les RMSE basée sur les coefficients dérivés de lm?

  • vous recommandons fortement de lm(price ~ carat + color + ..., data=randomData): plus facile à lire, travaille avec l'aval des méthodes telles que predict().
InformationsquelleAutor Jeff | 2017-03-30
  1. 17

    Somme résiduelle des carrés:

    RSS <- c(crossprod(res$residuals))

    L'erreur quadratique moyenne:

    MSE <- RSS / length(res$residuals)

    Racine MSE:

    RMSE <- sqrt(MSE)

    Pearson résiduelle estimée de la variance (retourné par summary.lm):

    sig2 <- RSS / res$df.residual

    Statistiquement, MSE est l'estimateur du maximum de vraisemblance de la variance résiduelle, mais est biaisée (à la baisse). Pearson est le maximum de vraisemblance restreint estimateur de la variance résiduelle, qui est impartiale.

    Remarque

    • Donné deux vecteurs x et y, c(crossprod(x, y)) est équivalent à sum(x * y) mais beaucoup plus rapide. c(crossprod(x)) est même plus rapide que sum(x ^ 2).
    • sum(x) /length(x) est également plus rapide que mean(x).
    • Le code tel qu'il est dans la première ligne ne peut pas être exécuté. Il y a 3') " mais seulement 2 '('. J'ai essayé de l'exécuter sans le dernier ')' mais n'a pas fonctionné. il obtient l'erreur suivante: "inutilisés argument (crossprod(fit2$residuals))"
    • Viens de voir que vous avez un autre problème. Vous devez avoir défini votre propre c fonction dans votre R session (qui est une mauvaise idée), masquage base::c vecteur de concaténation. Voici comment j'ai reproduire ton erreur: c <- function () NULL et puis c(crossprod(1:10))
    • Ma fonction c était très bien. Peut-être quelque chose comme changer la version de R. Pour moi, la façon dont a fonctionné a été crossprod(1:10)[1]. (btw, ce n'est pas moi qui upvote, hahaha)
    • Il existe d'autres alternatives comme drop(crossprd(1:10)). Ah, désolé pour ça. Peut-être que cette personne est aussi prononcé sur l'autre réponse ici 🙂
    InformationsquelleAutor 李哲源
  2. 6

    Pour obtenir la RMSE en une seule ligne, avec juste les fonctions de base, je voudrais utiliser:

    sqrt(mean(res$residuals^2))
    InformationsquelleAutor comshak
  3. 1

    Je pense que les autres réponses sont peut-être incorrects. Le MSE de régression de l'ESS, divisé par (n - k - 1), où n est le nombre de points de données et k est le nombre de paramètres du modèle.

    Simplement en prenant la moyenne des résidus au carré (comme d'autres réponses ont suggéré) est l'équivalent de la division par n au lieu de (n - k - 1).

    Je voudrais calculer RMSE par sqrt(sum(res$residuals^2) /res$df).

    La quantité dans le dénominateur res$df vous donne les degrés de liberté, qui est la même que (n - k - 1). Jetez un oeil à cette référence: https://www3.nd.edu/~rwilliam/stats2/l02.pdf

    • Si vous regardez, vous trouverez beaucoup d'autres sources de la définition de RMSE comme exactement ce que cela ressemble, la racine de l'erreur quadratique moyenne. Carré des erreurs, prendre la moyenne, de prendre la racine carrée. Le wikipédia, par exemple, ne mentionne rien à propos de degrés de liberté ou les paramètres du modèle.
    • Wikipédia couvre ici: en.wikipedia.org/wiki/Mean_squared_error#Regression. Le MSE définition avec les degrés de liberté est aussi dans mes stats, un ouvrage de Hayter, la "Probabilité et Statistiques pour Ingénieurs et des Scientifiques."
    InformationsquelleAutor Arthur