我正在尝试验证具有连续输出的广义线性模型的性能。通过研究，我发现验证连续模型性能的最有效方法是利用rsquared，调整后的rsquared和RMSE方法（如果我错了请纠正我）而不是使用混淆矩阵方法（准确性，精度，f1等） 。）用于二项式模型。
如何根据实际值与预测值找到模型的平方值。以下是我的glm模型的代码，数据已分为训练和测试。
对此很陌生，因此欢迎提出建议。
#GENERALISED LINEAR MODEL
LR_swim <- glm(racetime_mins ~ event_month +gender + place +
clocktime_mins +handicap_mins +
Wind_Speed_knots+
Air_Temp_Celsius +Water_Temp_Celsius +Wave_Height_m,
data = SwimmingTrain,
family=gaussian(link = "identity"))
summary(LR_swim)
#Predict Race_Time
pred_LR <- predict(LR_swim, SwimmingTest, type ="response")
pred_LR
可以用简单的R代码行来实现这样的性能指标。因此，对于一些虚拟数据：
preds <- c(1.0, 2.0, 9.5)
actuals <- c(0.9, 2.1, 10.0)
的均方误差（MSE）是根本
mean((preds-actuals)^2)
# [1] 0.09
mean(abs(preds-actuals))
# [1] 0.2333333
和均方根误差（RMSE）简单地是MSE，即的平方根：
sqrt(mean((preds-actuals)^2))
# [1] 0.3
最后两个度量的另一个优势是与原始数据的规模相同（MSE则不然）。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句