ดูคำจำกัดความวิกิพีเดียของ:
- Mean Squared Error (MSE)
- ผลรวมที่เหลือของสี่เหลี่ยม (RSS)
ดูเหมือนว่าฉันจะ
โดยที่คือจำนวนตัวอย่างและคือการประมาณของเรา
อย่างไรก็ตามบทความวิกิพีเดียไม่ได้พูดถึงความสัมพันธ์นี้ ทำไม? ฉันพลาดอะไรไปรึเปล่า?
ดูคำจำกัดความวิกิพีเดียของ:
ดูเหมือนว่าฉันจะ
โดยที่คือจำนวนตัวอย่างและคือการประมาณของเรา
อย่างไรก็ตามบทความวิกิพีเดียไม่ได้พูดถึงความสัมพันธ์นี้ ทำไม? ฉันพลาดอะไรไปรึเปล่า?
คำตอบ:
จริงๆแล้วมันถูกกล่าวถึงในส่วนการถดถอยของข้อผิดพลาดกำลังสองเฉลี่ยใน Wikipedia:
ในการวิเคราะห์การถดถอยคำผิดพลาดกำลังสองหมายถึงบางครั้งใช้เพื่ออ้างถึงการประมาณค่าความแปรปรวนข้อผิดพลาดที่ไม่เอนเอียง: ผลรวมที่เหลือของกำลังสองหารด้วยจำนวนองศาอิสระ
คุณสามารถหาข้อมูลได้ที่นี่: ข้อผิดพลาดและส่วนที่เหลือในสถิติ มันบอกว่าการแสดงออกหมายถึงข้อผิดพลาดกำลังสองอาจมีความหมายที่แตกต่างกันในกรณีที่แตกต่างกันซึ่งบางครั้งก็ยุ่งยาก
แต่โปรดระวังว่า Sum of Squared Erros (SSE) และ Residue Sum of Squares (RSS) บางครั้งใช้แลกเปลี่ยนกันอย่างสับสนทำให้ผู้อ่านสับสน ตัวอย่างเช่นตรวจสอบ URL นี้: https://365datascience.com/sum-squares/สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการถดถอยเชิงเส้น
การพูดอย่างเคร่งครัดจากมุมมองทางสถิติข้อผิดพลาดและสารตกค้างเป็นแนวคิดที่แตกต่างอย่างสิ้นเชิง ข้อผิดพลาดส่วนใหญ่อ้างถึงความแตกต่างระหว่างค่าตัวอย่างที่สังเกตได้จริงกับค่าที่คาดการณ์ของคุณและส่วนใหญ่ใช้ในสถิติเชิงสถิติเช่น Root Means Squared Errors (RMSE) และ Mean Absollute Errors (MAE) ในทางตรงกันข้ามสิ่งตกค้างอ้างถึงความแตกต่างระหว่างตัวแปรตามและการประมาณค่าจากการถดถอยเชิงเส้น
ฉันไม่คิดว่านี่ถูกต้องที่นี่ถ้าเราคิดว่า MSE เป็น sqaure ของ RMSE ตัวอย่างเช่นคุณมีชุดของข้อมูลตัวอย่างเกี่ยวกับการคาดการณ์และการสังเกตการณ์ตอนนี้คุณพยายามทำการตรวจสอบซ้ำเชิงเส้น: Observation (O) = a + b X Prediction (P) ในกรณีนี้ MSE คือผลรวมของความแตกต่างกำลังสองระหว่าง O และ P และหารด้วยขนาดตัวอย่าง N
แต่ถ้าคุณต้องการวัดประสิทธิภาพของการถดถอยเชิงเส้นคุณต้องคำนวณ Mean Squared Residue (MSR) ในกรณีเดียวกันก็จะมีการคำนวณแรกที่เหลือรวมของสแควร์ (RSS) ที่สอดคล้องกับผลรวมของความแตกต่างระหว่างค่า Squared สังเกตที่เกิดขึ้นจริงและข้อสังเกตที่ได้มาจากการคาดการณ์เชิงเส้น regression.Then ก็จะปฏิบัติตามเพื่อ RSS หารด้วยN-2เพื่อ รับ MSR
ใส่เพียงในตัวอย่าง MSE ไม่สามารถประมาณได้โดยใช้ RSS / N เนื่องจากองค์ประกอบ RSS ไม่เหมือนกันสำหรับส่วนประกอบที่ใช้ในการคำนวณ MSE