我已经用训练数据拟合了我的模型，并使用R平方测试了模型的准确性。
然而，我想用我的测试数据来测试模型的准确性，该怎么做呢？
我的预测值是连续的。我对此相当陌生，所以欢迎各种建议。
LR_swim <- lm(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)rsq(LR_swim) #Returns- 0.9722331#Predict Race_Time Using Test Data pred_LR <- predict(LR_swim, SwimmingTest, type ="response")#Add predicted Race_Times back into the test dataset.SwimmingTest$Pred_RaceTime <- pred_LR回答：
首先，正如评论中已经指出的，术语准确性实际上是为分类问题保留的。你实际上指的是模型的性能。事实上，对于回归问题（如你的问题），有几种这样的性能度量方法可用。
不管好坏，R^2仍然是许多实现中的标准度量；然而，可能有必要记住我在其他地方争论过的观点：
整个R平方的概念实际上直接来自统计学界，那里强调的是解释性模型，而在机器学习环境中，它几乎没有用武之地，那里的重点显然是预测性模型；至少据我所知，除了某些非常入门的课程之外，我从未（我是说从未…）见过使用R平方来进行任何形式性能评估的预测建模问题；这也不是偶然的，流行的机器学习介绍，如Andrew Ng在Coursera上的机器学习课程，甚至都没有提到它。正如在上面的Github线程中所指出的（强调增加）：
特别是在使用测试集时，我不太清楚R平方意味着什么。
我完全同意这一观点。
有几种其他性能度量方法在你的预测任务中可能更合适；而且它们中的大多数都可以用一行R代码实现。所以，对于一些虚拟数据：
preds <- c(1.0, 2.0, 9.5)actuals <- c(0.9, 2.1, 10.0)均方误差（MSE）简单地是
mean((preds-actuals)^2)# [1] 0.09mean(abs(preds-actuals))# [1] 0.2333333以及均方根误差（RMSE）只是MSE的平方根，即：
sqrt(mean((preds-actuals)^2))# [1] 0.3这些度量方法在评估未见数据的性能时可能更有用。后两者还有一个额外的优势，它们与你的原始数据处于相同的尺度（MSE的情况并非如此）。
