Pourquoi le RMSE renvoyé par l'ajustement linéaire dévie-t-il le sqrt (sum (résidus ^ 2) / n)?Je ne comprends pas l'erreur quadratique moyenne rapportée dans le "Résumé de l'ajustement" de la plateforme Linear Fit.
x = [1.309, 1.471, 1.49, 1.565, 1.611, 1.68];
y = [2.138, 3.421, 3.597, 4.34, 4.882, 5.66];
{Estimates, Std_Error, Diagnostics} = Linear Regression( y, x, <<PRINTTOLOG></PRINTTOLOG>Le résultat de la dernière ligne:
rmse_lin_reg = 0.111508840972607;
rmse_lin_fit = 0.136569881096024;
Quel est le problème ici?
Merci
AnalytiqueScriptingRe: Pourquoi le RMSE renvoyé par l'ajustement linéaire dévie-t-il le sqrt (sum (résidus ^ 2) / n)?salut @ragnarl ,
Je peux voir comment cela semble contradictoire! Tous les carrés moyens impliquent de diviser une somme des écarts carrés par leurs degrés de liberté. Dans votre formule fonctionnant avec les résultats de LinearRegression (), vous semblez diviser par n, pas par df.
rmse_lin_reg=sqrt(sum((z-y)^2)/nrows(y));
Le degré de liberté pour l'erreur quadratique moyenne dans une régression linéaire simple est n-2 (1 df perdu pour l'estimation de l'intersection, et 1 de plus est perdu pour l'estimation de la pente de x). Si vous ajustez votre script comme ci-dessous pour avoir rmse_lin_reg = sqrt (somme ((zy) ^ 2) / (nrows (y) -2)) vous trouverez la même valeur pour MSE (et donc RMSE).
J'espère que ça aide!
@julien
x = [1.309, 1.471, 1.49, 1.565, 1.611, 1.68];
y = [2.138, 3.421, 3.597, 4.34, 4.882, 5.66];
{Estimates, Std_Error, Diagnostics} = Linear Regression( y, x, <<PRINTTOLOG></PRINTTOLOG>
Retour
rmse_lin_reg = 0.13656988109602;
rmse_lin_fit = 0.13656988109602;
