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。