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。