407926_de-DE

liliconcom

Berechnet JMP meinen RMSE falsch?

Ich habe meine beobachteten vs. vorhergesagten Werte aufgetragen und eine Anpassungslinie mit dem RMSE hinzugefügt, aber die berechneten/angezeigten Werte sind deutlich niedriger als das, was ich berechne und erwarte (0,46 vs. 2,07).

 

 

Hier sind die Daten:

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

 

Übersehe ich etwas?

AnalytikDatentabelleBetreff: Berechnet JMP meinen RMSE falsch

Einfache Frage: Ziehen Sie dann die Quadratwurzel aus dem MSE, um den RMSE zu erhalten?

Betreff: Berechnet JMP meinen RMSE falsch

@Statman

Diese interessante Berechnung ist mir auch aufgefallen, als ich mein Experiment mit Python modelliert habe. Ich führe ein Modell aus, JMP gibt mir einen RMSE und dann speichere ich die Spalte des vorhergesagten Werts. Ich habe die folgende Formel verwendet, um die Berechnung in Excel durchzuführen, wodurch ich mit JMP ein anderes RMSE-Ergebnis erhalte. Können Sie mir bitte sagen, was an meiner Berechnung falsch ist?

 

 

 

Betreff: Berechnet JMP meinen RMSE falsch

Weiter ausbauen @Statman 's Kommentare und unter der Annahme, dass Sie versucht haben, die erste Spalte aus der zweiten vorherzusagen, sieht es so aus, als hätten Sie Ihre Residuen mit einem zweiten linearen Modell angepasst.Dies würde bedeuten, dass Sie eine Art Ensemble-Modell aus Ihrem ersten Modell und einem linearen Term erstellt haben.Dies würde Ihren Fehler weiter reduzieren und Ihnen einen kleineren RMSE geben.Ich glaube, Sie wollten stattdessen wahrscheinlich die Modellvergleichsplattform unter Analysieren > Vorhersagemodellierung > Modellvergleich verwenden.

 

 

Dies ergibt einen gemeldeten RASE, der näher an Ihrem erwarteten RMSE liegt.

 

 

Betrachten Sie als Beispiel den Iris-Beispieldatensatz.Wenn Sie eine Methode verwenden, um die Länge der Kelchblätter vorherzusagen, und vorhersagen, dass sie eine Funktion der Länge der Kelchblätter ist, wie in der folgenden Gleichung gezeigt, erhalten Sie ein vernünftiges Modell.

 

 

 

Aber die Neigung oder Parameterschätzung für die Sepal-Breite ist nicht ganz richtig (oder stimmt zumindest nicht mit dem überein, was in den Daten beobachtet wird).  

 

 

Daher können Sie ein zweites Modell aus der Ausgabe des ersten anpassen, indem Sie ein lineares Modell verwenden, um die Anpassung zu verbessern (das liegt daran, dass die Residuen ein Muster aufweisen).

 

 

 

Das Speichern der vorhergesagten Formel ergibt eine neue vorhergesagte Formelspalte basierend auf Ein weiterer vorhergesagte Formelspalte.Beachten Sie, wie sich die Steigung der blauen Linie ändert.

 

 

In diese In diesem Fall erhalten Sie das gleiche Ergebnis, als ob Sie nur die Kelchblattlänge aus der Blütenblattlänge unter Verwendung eines linearen Modells modelliert hätten, aber das wäre nicht immer wahr, je nachdem, was für das erste Modell verwendet wurde.

 

Der Modellvergleich zeigt die Verbesserung gegenüber dem zweiten Modell:

 

Dies sollte die Iris-Diagramme neu erstellen:

Mehr sehen...

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
 )
);

 

Betreff: Berechnet JMP meinen RMSE falsch

Willkommen in der Community.  

Ich bin mir nicht sicher, was Sie zu tun versuchen. Ist in dem von Ihnen gezeigten Datensatz Spalte 1 die tatsächlichen Werte und Spalte 2 die vorhergesagten Werte? Die Differenz zwischen diesen wird als Residuen bezeichnet.  

Ich sehe nicht, was Sie zu modellieren versuchen? Typischerweise haben Sie mindestens 1 unabhängige Variable und mindestens 1 abhängige Variable und der RMSE ist die Standardabweichung der Modellanpassung. Ich weiß nicht, welches was in Ihrem Datensatz ist? Aber wenn Sie diese 2 Spalten modellieren, erhalte ich ganz andere Ergebnisse als Sie?

Es gibt viele Möglichkeiten, Residuen zu betrachten, um hauptsächlich zu bestimmen, ob Ihr Modell die grundlegenden Annahmen der quantitativen Analyse (NID(0, Varianz)) erfüllt.

Zusammenfassung von Fit
R Quadrat
0,125645
RSquard Adj
0,084009
Root-Mean-Square-Fehler
1.804222
Antwortmittelwert
5.251277
Beobachtungen (oder Summe Wgts)
23