Pregunta simple: ¿cómo se calcula el RMSE?Hola,
al trazar un gráfico de regresión simple, puedo obtener el R ^ 2 y RMSE.
Me gustaría saber cómo se calcula RMSE específicamente en JMP.
Esto se debe a que leí en alguna parte (Fearn 2002) que algunas personas sacan la raíz cuadrada de la suma del error al cuadrado, dividido por n mientras otros dividido por n-1 .
¿Cómo lo hace JMP 13 Pro?
¡Gracias!
Re: Pregunta simple: ¿cómo se calcula el RMSE?Error cuadrático medio usando la biblioteca Python sklearn
El error cuadrático medio ( MSE ) se define como la media o el promedio del cuadrado de la diferencia entre los valores reales y estimados. Esto significa que el MSE se calcula por el cuadrado de la diferencia entre las variables objetivo pronosticadas y reales, dividido por el número de puntos de datos. Siempre son mejores los valores no negativos y cercanos a cero.
Error cuadrático medio de la raíz es la raíz cuadrada del error cuadrático medio (MSE). Esto es lo mismo que el error cuadrático medio (MSE), pero se considera la raíz del valor al determinar la precisión del modelo.
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)
Re: Pregunta simple: ¿cómo se calcula el RMSE?En realidad, se divide por el tamaño total de la muestra menos el número de términos del modelo (n - df_model).Por ejemplo, si hago un ANOVA con 15 puntos de datos y 1 factor categórico con 3 niveles, el modelo tendrá 1 término de intersección y 2 términos del modelo para el factor categórico (3 en total).Entonces, el RMSE será el sqrt(SSE/(15-3)).
Re: Pregunta simple: ¿cómo se calcula el RMSE?Re: Pregunta simple: ¿cómo se calcula el RMSE?JMP y ahora JMP Pro siempre han calculado RMSE de la misma manera: según lo definido por el análisis de varianza. Es la raíz cuadrada del error cuadrático medio. El error cuadrático medio es el cociente de la suma de los cuadrados del error dividido por los grados de libertad del error. Los grados de libertad del error son los grados de libertad del total corregido menos los grados de libertad del modelo. Los grados de libertad para el total corregido son N - 1. (La corrección de la respuesta media cuesta un grado de libertad).
Aquí hay una regresión lineal simple de peso versus altura usando la tabla de datos de Big Class en la carpeta de datos de muestra:
Los grados de libertad del error son DF(CT) - DF(M) = 39 - 1 = 38. Se requiere un solo parámetro para la altura.
Aquí hay una regresión múltiple de peso versus edad, sexo y altura:
Los grados de libertad del error son DF(CT) - DF(M) = 39 - 7 = 32. Se requieren siete parámetros para edad, sexo y altura.
