Einfache Frage: Wie wird RMSE berechnet?Hallo,
Wenn ich ein einfaches Regressionsdiagramm zeichne, kann ich R^2 und RMSE erhalten.
Ich würde gerne wissen, wie RMSE speziell in JMP berechnet wird.
Das liegt daran, dass ich irgendwo gelesen habe (Fearn 2002), dass manche Leute die Quadratwurzel aus der quadrierten Fehlersumme ziehen, geteilt durch n während andere geteilt durch n-1 .
Wie macht JMP 13 Pro das?
Danke!
Betreff: Einfache Frage: Wie wird RMSE berechnet?Root Mean Squared Error mit der Python-Sklearn-Bibliothek
Der mittlere quadratische Fehler (MSE) ist definiert als Mittelwert oder Durchschnitt des Quadrats der Differenz zwischen tatsächlichen und geschätzten Werten. Das bedeutet, dass MSE aus dem Quadrat der Differenz zwischen der vorhergesagten und der tatsächlichen Zielvariablen, dividiert durch die Anzahl der Datenpunkte, berechnet wird. Es sind immer nicht negative Werte und Werte nahe Null sind besser.
Mittlerer quadratischer Fehler ist die Quadratwurzel des mittleren quadratischen Fehlers (MSE). Dies ist dasselbe wie der mittlere quadratische Fehler (MSE), jedoch wird bei der Bestimmung der Genauigkeit des Modells die Wurzel des Werts berücksichtigt.
import numpy as np
import sklearn.metrics as metrics
actual = np.array([56,45,68,49,26,40,52,38,30,48])
predicted = np.array([58,42,65,47,29,46,50,33,31,47])
mse_sk = metrics.mean_squared_error(actual, predicted)
rmse_sk = np.sqrt(mse)
print("Root Mean Square Error :", rmse_sk)
Betreff: Einfache Frage: Wie wird RMSE berechnet?Es wird tatsächlich durch die Gesamtstichprobengröße minus der Anzahl der Modellterme (n – df_model) dividiert.Wenn ich beispielsweise eine ANOVA mit 15 Datenpunkten und einem kategorialen Faktor mit 3 Ebenen durchführe, verfügt das Modell über einen Schnittpunktterm und zwei Modellterme für den kategorialen Faktor (insgesamt 3).Der RMSE ist also sqrt(SSE/(15-3)).
Betreff: Einfache Frage: Wie wird RMSE berechnet?Betreff: Einfache Frage: Wie wird RMSE berechnet?JMP und jetzt JMP Pro haben RMSE immer auf die gleiche Weise berechnet: wie durch die Varianzanalyse definiert. Es ist die Quadratwurzel des mittleren quadratischen Fehlers. Der mittlere quadratische Fehler ist der Quotient aus der Summe der Fehlerquadrate dividiert durch die Freiheitsgrade des Fehlers. Die Freiheitsgrade des Fehlers sind die Freiheitsgrade für die korrigierte Summe abzüglich der Freiheitsgrade des Modells. Die Freiheitsgrade für die korrigierte Summe betragen N - 1. (Die Korrektur der mittleren Antwort kostet einen Freiheitsgrad.)
Hier ist eine einfache lineare Regression von Gewicht gegenüber Größe unter Verwendung der Big Class-Datentabelle im Ordner „Sample Data“:
Die Freiheitsgrade für den Fehler sind DF(CT) – DF(M) = 39 – 1 = 38. Für die Höhe ist ein einzelner Parameter erforderlich.
Hier ist eine mehrfache Regression von Gewicht im Vergleich zu Alter, Geschlecht und Größe:
Die Freiheitsgrade für den Fehler sind DF(CT) – DF(M) = 39 – 7 = 32. Für Alter, Geschlecht und Größe sind sieben Parameter erforderlich.
