使用R语言计算均方误差（Mean Squared Error，MSE）

使用R语言计算均方误差（Mean Squared Error，MSE）

均方误差（MSE）是评估回归模型预测结果与实际观测值之间差异的常用指标。本文将介绍如何在R语言中计算MSE，并提供相应的源代码示例。

假设我们有一组实际观测值和对应的预测值，我们可以使用以下公式计算MSE：

MSE = (1/n) * Σ(yᵢ - ŷᵢ)²

其中，n表示观测值的数量，yᵢ是实际观测值，ŷᵢ是对应的预测值。

下面是一个计算MSE的示例代码：

# 创建实际观测值和预测值向量
actual <- c(2, 4, 6, 8, 10)
predicted <- c(1.5, 3.5, 5.5, 7.5, 9.5)

# 计算观测值数量
n <- length(actual)

# 计算每个观测值的差异，并求平方
diff <- actual - predicted
squared_diff <- diff^2

# 计算MSE
mse <- sum(squared_diff) / n

# 打印结果
print(mse)

在上面的示例中，我们首先创建了实际观测值向量actual和对应的预测值向量predicted。然后，我们使用length()函数计算了观测值的数量，并将结果存储在变量n中。

接下来，我们计算了每个观测值的差异，并使用指数运算符^对差异进行平方，得到了平方差异向量squared_diff。

最后，我们使用sum()函数计算了平方差异的总和，并除以观测值数量n，得到了均方误差mse。

最后一步，我们使用print()函数打印了计算得到的MSE的值。

你可以将实际观测值和预测值替换为你自己的数据，然后运行上述代码以计算MSE。

希望这个示例能帮助你理解如何在R语言中计算均方误差（MSE）！如果你有任何其他问题，请随时提问。