R语言评测回归模型的性能

通过计算预测值和实际值之间的差值大小可以评估回归模型预测性能的优劣，常用的误差评测标准包括均方根误差（root mean square error,RMSE）,相对平方差（Relative Square Error，RSE）以及可决系数（R-Square）.
操作
建立一个回归模型
library(car)
data(Quartet)
plot(Quartet$x,Quartet$y3)
lmfit = lm(Quartet$y3~Quartet$x)
abline(lmfit,col= "red"）

线性回归结果示意
调用predict函数得到预测结果
predicted = predict(lmfit,newdata = Quartet[c("x")])

计算两者之间的均方根误差：

actual = Quartet$y3
> rmse = (mean((predicted - actual)^2))^0.5
> rmse
[1] 1.118286
计算相对平方误差：

mu = mean(actual)
rse = mean((predicted - actual)^2)/mean((mu-actual)^2)
rse
[1] 0.333676

计算模型的R-Square

rsquare = 1- rse
rsquare
[1] 0.666324

采用MASS算法包的rlm函数重新计算属性y3的值，并调用plot绘制结果

调用predict函数求预测结果

predicted = predict(rlmfit,newdata = Quartet[c("x")])
计算预测值与实际之间的均方根误差

actual = Quartet$y3
rmse = (mean((predicted - actual)^2))^0.5
rmse
[1] 1.279045
计算两者之间的相对平方误差

mu = mean(actual)
rse = mean((predicted - actual)^2)/mean((mu-actual)^2)
rse
[1] 0.4365067

计算模型的R-Square值：

rsquare = 1- rse
> rsquare
[1] 0.5634933
说明
回归模型的评测可以通过计算预测值和实际间的差值完成，我们经常使用均方根误差，相对平方误差，以及R^2值作为三种常用的回归模型误差评估标准。