Question

我有一个矩阵如下：

Real_Values Predicted_Values
5.5         5.67
6.9         7.01
9.8         9.2
6.5         6.1
10          9.7
1.5         1.0
7.7         7.01

我希望计算模型在预测值和实际值之间的错误率，并且理想情况下做一个图。我想知道R是否已经有一个整齐地做这个的包，所以我会避免任何for循环？

Answer 1

您可以按照@ nathan-day的指示，手动计算回归误差指标，如均方根误差（RMSE）或误差平方和（SSE）。大多数实现都会自动为您执行此操作，因此您通常不需要手动执行此操作。

出于绘图的目的，我现在使用一个稍微大一些的示例，包含更多样本，因为它更好地理解（R附带的iris数据集）。首先，我们训练线性模型来预测前3个特征中的第4个特征，这些特征已经计算了一些指标：

> model <- train(iris[,1:3], iris[,4], method = 'lm', metric = 'RMSE', trControl = trainControl(method = 'repeatedcv', number = 10, repeats = 10))
> print(model)
Linear Regression 

150 samples
3 predictors

No pre-processing
Resampling: Cross-Validated (10 fold, repeated 10 times) 

Summary of sample sizes: 134, 135, 135, 136, 134, 135, ... 

Resampling results

RMSE  Rsquared  RMSE SD  Rsquared SD
0.19  0.942     0.0399   0.0253

RMSE，SSE等现在也可以手工计算目标变量的预测值和实际值：

predicted <- predict(model, iris[,1:3]) # perform the prediction 
actual <- iris[,4]
sqrt(mean((predicted-actual)**2)) # RMSE
sum((predicted-actual)**2) # SSE

与上述模型训练的结果略有不同，结果是利用重复的交叉验证（因此，指标列在＆＃34;重新取样结果＆＃34;那里）。

对于绘图部分：通过将预测值与实际目标变量绘图，和/或通过将误差与实际值绘图，可以轻松地显示回归误差。完美契合由这些图中的附加线表示。使用标准工具也可轻松实现这一目标：

plot(predicted~actual)
abline(0,1)

plot(predicted-actual~actual)
abline(0,0)

PS：如果你不熟悉回归/分类错误测量和强大的ML程序，我强烈建议花一些时间来阅读这些主题 - 它可能会为你节省大量的时间。我个人会推荐Max Kuhn（R的caret包的维护者）和Kjell Johnson的Applied Predictive Modeling，因为它易于阅读且非常实用。

Answer 2

如果你想计算剩余的平方和，像lm（）这样的函数已经为你输出了这个信息。根据您用于建模数据的功能，访问RSS术语会有所不同。

根据您的data_frame，您可以像这样轻松编写RSS公式

datf <- as.data.frame(your_matix)
datf$difsq <- (datf$Real_Values - datf$Predicted_Values)^2
rss <- sum(datf$difsq)

计算两列R之间的错误率

2 个答案: