407926_fr-FR

liliconcom

JMP calcule-t-il mal mon RMSE ?

J'ai tracé mes valeurs observées par rapport aux valeurs prédites et ajouté une ligne d'ajustement avec le RMSE, cependant, les valeurs qu'il calcule/affiche sont nettement inférieures à ce que je calcule et attend (0,46 contre 2,07).

 

 

Voici les données :

6.343	1.607119
6.259	6.177004
6.139	0,429539
5.266	6.05368
5.451	8.40834
6.492	5.226375
6.52	5.440272
5.784	5.990638
6.154	6.07527
6.103	5.965431
6.122	0,445846
5.541	7.000725
5.181	5.931456
5.355	5.626706
5.674	5.849083
5.642	5.859607
5.136	5.14744
5.512	5.693088
5.9	5.690088
5,65	5.792552
5,55	5.513773
5.6	5.659517
4.6	5.195817

 

Est-ce que je manque quelque chose?

AnalytiqueTableau de donnéesRe : JMP calcule-t-il mal mon RMSE ?

Question simple : faut-il alors prendre la racine carrée du MSE pour obtenir le RMSE ?

Re : JMP calcule-t-il mal mon RMSE ?

@statman

J'ai également remarqué ce calcul intéressant lorsque j'ai utilisé Python pour modéliser mon expérience. J'exécute un modèle, JMP me donne un RMSE, puis j'enregistre la colonne de la valeur prédite. J'ai utilisé la formule ci-dessous pour effectuer un calcul dans Excel, ce qui me donne un résultat RMSE différent avec JMP. Pourriez-vous s'il vous plaît dire ce qui ne va pas dans mon calcul?

 

 

 

Re : JMP calcule-t-il mal mon RMSE ?

Développer sur @statman et en supposant que vous essayiez de prédire la première colonne à partir de la seconde, il semble que vous ayez ajusté vos résidus avec un deuxième modèle linéaire.Cela signifierait que vous avez créé un type de modèle d'ensemble à partir de votre premier modèle et d'un terme linéaire.Cela réduirait encore votre erreur, vous donnant un RMSE plus petit.Je crois plutôt que vous vouliez probablement utiliser la plate-forme de comparaison de modèles sous Analyser > Modélisation prédictive > Comparaison de modèles.

 

 

Cela donne un RASE rapporté qui est plus proche de votre RMSE attendu.

 

 

À titre d'exemple, considérons l'ensemble de données de l'échantillon d'iris.Si vous utilisez une méthode pour prédire la longueur des sépales et prédisez qu'elle est fonction de la longueur des sépales, comme indiqué dans l'équation ci-dessous, vous obtiendrez un modèle raisonnable.

 

 

 

Mais, la pente, ou l'estimation des paramètres pour la largeur des sépales, n'est pas tout à fait correcte (ou du moins elle ne correspond pas à ce qui est observé dans les données).  

 

 

Ainsi, vous pouvez ajuster un deuxième modèle à partir de la sortie du premier en utilisant un modèle linéaire pour améliorer l'ajustement (c'est parce qu'il y a un motif dans les résidus).

 

 

 

L'enregistrement de la formule prédite donne une nouvelle colonne de formule prédite basée sur une autre colonne de formule prédite.Notez comment la pente de la ligne bleue change.

 

 

Dans cette Dans ce cas, vous obtiendrez le même résultat que si vous venez de modéliser la longueur de sépale à partir de la longueur de pétale à l'aide d'un modèle linéaire, mais cela ne serait pas toujours vrai en fonction de ce qui a été utilisé pour le premier modèle.

 

Faire apparaître la comparaison de modèles montre l'amélioration par rapport au deuxième modèle :

 

Cela devrait recréer les graphiques d'iris :

Voir plus...

Names default to here(1);

dt = Open("$Sample_data/iris.jmp");

dt << New Column("Sepal length Pred from Model 1", Numeric, "Continuous", Format("Best", 12), Set Property("Notes", "Prediction Formula"), Set Property("Predicting", {:Sepal length, Creator("Fit Least Squares")}), Formula(4 + 0.5 * :Petal length), Set Display Width(129));
dt << New Column("Sepal length Pred form Model 1 and Linear Correction", Numeric, "Continuous", Format("Best", 12), Set Property("Notes", "Prediction Formula"), Formula(1.03522519623809 + 0.817844554702371 * :Sepal length Pred from Model 1), Set Property("Predicting", {:Sepal length, Creator("Fit Least Squares")}));
dt << New Column("Sepal length Pred from Petal length linear equation", Numeric, "Continuous", Format("Best", 12), Set Property("Notes", "Prediction Formula"), Formula(4.30660341504758 + 0.408922277351185 * :Petal length), Set Property("Predicting", {:Sepal length, Creator("Fit Least Squares")}));

dt << Graph Builder(
 Size( 473, 500 ),
 Variables(
  X( :Sepal length Pred from Model 1 ),
  Y( :Sepal length ),
  Y(
   Transform Column(
    "Transform[Sepal...d from Model 1]",
    Formula( :Sepal length Pred from Model 1 )
   ),
   Position( 1 )
  )
 ),
 Elements(
  Points( X, Y( 1 ), Legend( 5 ) ),
  Formula( X, Y( 2 ), Legend( 7 ) ),
  Line Of Fit( X, Y( 1 ), Legend( 9 ) )
 ),
 SendToReport(
  Dispatch( {"Line Of Fit"}, "", OutlineBox, {Close( 0 )} ),
  Dispatch(
   {},
   "Sepal length Pred from Model 1",
   ScaleBox,
   {Min( 4 ), Max( 8 ), Inc( 1 ), Minor Ticks( 1 )}
  ),
  Dispatch(
   {},
   "Sepal length",
   ScaleBox,
   {Min( 4 ), Max( 8 ), Inc( 2 ), Minor Ticks( 1 )}
  ),
  Dispatch(
   {},
   "400",
   ScaleBox,
   {Legend Model(
    7,
    Level Name(
     0,
     "Line if Perfect Fit",
     Item ID( "Transform[Sepal...d from Model 1]", 1 )
    )
   ), Legend Model(
    9,
    Level Name(
     0,
     "Fit for Model 1 Predicted Values",
     Item ID( "Sepal length", 1 )
    )
   )}
  ),
  Dispatch( {}, "graph title", TextEditBox, {Set Text( "Fit from Model 1" )} ),
  Dispatch( {}, "Y title", TextEditBox, {Set Text( "Sepal length Actual" )} )
 )
);

dt << Fit Model(
 Y( :Sepal length Pred form Model 1 and Linear Correction ),
 Effects( :Sepal length ),
 Personality( "Standard Least Squares" ),
 Emphasis( "Effect Leverage" ),
 Run(
  :Sepal length Pred form Model 1 and Linear Correction <<
  {Summary of Fit( 1 ), Analysis of Variance( 1 ), Parameter Estimates( 1 ),
  Scaled Estimates( 0 ), Plot Actual by Predicted( 1 ),
  Plot Residual by Predicted( 1 ), Plot Studentized Residuals( 0 ),
  Plot Effect Leverage( 1 ), Plot Residual by Normal Quantiles( 0 ),
  Box Cox Y Transformation( 0 )}
 )
);

dt << Graph Builder(
 Size( 949, 500 ),
 Variables(
  X( :Sepal length Pred from Model 1 ),
  X( :Sepal length Pred form Model 1 and Linear Correction ),
  Y( :Sepal length ),
  Y(
   Transform Column(
    "Transform[Sepal...d from Model 1]",
    Formula( :Sepal length Pred from Model 1 )
   ),
   Position( 1 )
  ),
  Y(
   Transform Column(
    "Transform[Sepal...inear equation]",
    Formula( :Sepal length Pred from Petal length linear equation )
   ),
   Position( 1 )
  ),
  Y(
   Transform Column(
    "Transform[Sepal...inear equation]",
    Formula( :Sepal length Pred from Petal length linear equation )
   ),
   Position( 1 )
  ),
  Y(
   Transform Column(
    "Transform[Sepal...ear Correction]",
    Formula( :Sepal length Pred form Model 1 and Linear Correction )
   ),
   Position( 1 )
  )
 ),
 Elements(
  Position( 1, 1 ),
  Points( X, Y( 1 ), Legend( 5 ) ),
  Line Of Fit(
   X,
   Y( 1 ),
   Legend( 9 ),
   Root Mean Square Error( 1 ),
   Equation( 1 )
  ),
  Formula( X, Y( 2 ), Legend( 7 ) )
 ),
 Elements(
  Position( 2, 1 ),
  Points( X, Y( 1 ), Legend( 10 ) ),
  Line Of Fit( X, Y( 1 ), Legend( 12 ), Equation( 1 ) ),
  Formula( X, Y( 5 ), Legend( 13 ) )
 ),
 SendToReport(
  Dispatch(
   {},
   "Sepal length Pred from Model 1",
   ScaleBox,
   {Min( 4 ), Max( 8 ), Inc( 1 ), Minor Ticks( 3 ),
   Label Row( {Show Major Grid( 1 ), Show Minor Grid( 1 )} )}
  ),
  Dispatch(
   {},
   "Sepal length Pred form Model 1 and Linear Correction",
   ScaleBox,
   {Min( 4 ), Max( 8 ), Inc( 1 ), Minor Ticks( 3 ),
   Label Row( {Show Major Grid( 1 ), Show Minor Grid( 1 )} )}
  ),
  Dispatch(
   {},
   "Sepal length",
   ScaleBox,
   {Min( 4 ), Max( 8 ), Inc( 1 ), Minor Ticks( 3 ),
   Label Row( {Show Major Grid( 1 ), Show Minor Grid( 1 )} )}
  ),
  Dispatch(
   {},
   "400",
   ScaleBox,
   {Legend Model(
    5,
    Level Name( 0, "Actual Value", Item ID( "Sepal length", 1 ) ),
    Base( 0, 0, 0, Item ID( "Sepal length", 1 ) ),
    Properties( 0, {Line Color( 21 )}, Item ID( "Sepal length", 1 ) )
   ), Legend Model(
    9,
    Level Name(
     0,
     "Fit line from predicted values",
     Item ID( "Sepal length", 1 )
    ),
    Properties( 0, {Line Color( 21 )}, Item ID( "Sepal length", 1 ) )
   ), Legend Model(
    7,
    Level Name(
     0,
     "Fit if perfect model",
     Item ID( "Transform[Sepal...d from Model 1]", 1 )
    ),
    Properties(
     0,
     {Line Color( 3 )},
     Item ID( "Transform[Sepal...d from Model 1]", 1 )
    )
   ), Legend Model(
    10,
    Properties( 0, {Line Color( 21 )}, Item ID( "Sepal length", 1 ) )
   ), Legend Model(
    12,
    Properties( 0, {Line Color( 21 )}, Item ID( "Sepal length", 1 ) )
   ), Legend Model(
    13,
    Properties(
     0,
     {Line Color( 3 )},
     Item ID( "Transform[Sepal...ear Correction]", 1 )
    )
   )}
  ),
  Dispatch(
   {},
   "graph title",
   TextEditBox,
   {Set Text( "Fit from Model 1 (left) and Ensemble Model (right)" )}
  ),
  Dispatch( {}, "Y title", TextEditBox, {Set Text( "Sepal length Actual" )} ),
  Dispatch(
   {},
   "400",
   LegendBox,
   {Legend Position(
    {5, [0], 9, [1, -3], 7, [2], 10, [-1], 12, [-1, -3], 13, [-1]}
   )}
  )
 )
);

dt << Model Comparison(
 Y(
  :Sepal length Pred from Model 1,
  :Sepal length Pred form Model 1 and Linear Correction,
  :Sepal length Pred from Petal length linear equation
 )
);

 

Re : JMP calcule-t-il mal mon RMSE ?

Bienvenue dans la communauté.  

Je ne suis pas sûr de ce que vous essayez de faire. Dans l'ensemble de données que vous affichez, la colonne 1 correspond-elle aux valeurs réelles et la colonne 2 aux valeurs prédites ? La différence entre ceux-ci s'appelle les résidus.  

Je ne vois pas ce que vous essayez de modéliser? En règle générale, vous aurez au moins 1 variable indépendante et au moins 1 variable dépendante et la RMSE est l'écart type de l'ajustement du modèle. Je ne sais pas lequel est lequel dans votre ensemble de données ? Mais si vous modélisiez ces 2 colonnes, j'obtiens des résultats complètement différents des vôtres ?

Il existe de nombreuses façons d'examiner les résidus dans le but principal de déterminer si votre modèle répond aux hypothèses fondamentales de l'analyse quantitative (NID(0, variance)).

Résumé de l'ajustement
R Carré
0,125645
Ajustement carré RS
0,084009
Erreur quadratique moyenne
1.804222
Moyenne de réponse
5.251277
Observations (ou somme des poids)
23