Pourquoi le RMSE renvoyé par l'ajustement linéaire dévie-t-il de sqrt(sum(residuals^2)/n) ?Je suis confus en ce qui concerne l'erreur quadratique moyenne signalée dans le "Résumé de l'ajustement" de la plate-forme d'ajustement linéaire.
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;
Qu'est-ce qui ne va pas ici?
Merci
Modélisation statistique avancéeOrganisation du contenuExploration et visualisation des donnéesPersonnalisation de massePartage et communication des résultatsRe : Pourquoi le RMSE renvoyé par l'ajustement linéaire s'écarte-t-il de sqrt(sum(residuals^2)/n) ?Salut @ragnarl ,
Je vois à quel point cela paraît contradictoire ! Tous les carrés moyens impliquent de diviser une somme d'écarts au carré par leurs degrés de liberté. Dans votre formule travaillant avec les résultats de LinearRegression(), vous semblez diviser par n, pas df.
rmse_lin_reg=sqrt(sum((z-y)^2)/nrows(y));
Les degrés de liberté pour l'erreur quadratique moyenne dans une régression linéaire simple sont n-2 (1 df perdu pour l'estimation de l'ordonnée à l'origine, 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;
