我正在尝试验证一个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使用R平方、调整后的R平方和RMSE方法（如果有误请纠正），而不是用于二项模型的混淆矩阵方法（准确率、精确度、F1等）。

如何根据实际值与预测值找到我的模型的平方值？下面是我的glm模型的代码，数据已分为训练集和测试集。

我对此很新，所以欢迎建议。

#GENERALISED LINEAR MODELLR_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

回答：

这种性能测量可以通过一行简单的R代码来实现。假设有一些虚拟数据：

preds <- c(1.0, 2.0, 9.5)actuals <- c(0.9, 2.1, 10.0)

均方误差（MSE）简单地为

mean((preds-actuals)^2)# [1] 0.09

而平均绝对误差（MAE）为

mean(abs(preds-actuals))# [1] 0.2333333

并且均方根误差（RMSE）简单地是MSE的平方根，即：

sqrt(mean((preds-actuals)^2))# [1] 0.3

后两种测量方法的额外优势在于它们与原始数据的尺度相同（MSE的情况则不然）。