R 计算均方差MSE(mean squared error)

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.

从回归模型计算

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 <- lm(mpg~disp+hp, data=mtcars) 
 
#get model summary 
model_summ <-summary(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。

从预测值、实际值列表中计算

有时我们只有预测值和实际值列表：

data <- data.frame(pred = predict(model), actual = mtcars$mpg) 
head(data) 
 
#                       pred actual 
# Mazda RX4         23.14809   21.0 
# Mazda RX4 Wag     23.14809   21.0 
# Datsun 710        25.14838   22.8 
# Hornet 4 Drive    20.17416   21.4 
# Hornet Sportabout 15.46423   18.7 
# Valiant           21.29978   18.1 

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。

本文参考链接：https://blog.csdn.net/neweastsun/article/details/122073507