RMSE和MAE是衡量预测模型准确度的常用指标,它们可以用来评估模型对于实际观测值的预测误差程度。
RMSE(Root Mean Square Error)是均方根误差的缩写,它是预测值与真实观测值之间差异的平方和的平均值的平方根。RMSE越小,表示模型的预测误差越小,模型的准确度越高。
MAE(Mean Absolute Error)是平均绝对误差的缩写,它是预测值与真实观测值之间差异的绝对值的平均值。MAE越小,表示模型的预测误差越小,模型的准确度越高。
在ggplot2中,可以将RMSE和MAE粘贴到预测图中的预测旁边,以便直观地展示模型的预测准确度。以下是一个示例代码:
library(ggplot2)
# 假设有一组真实观测值和对应的预测值
observed <- c(10, 15, 20, 25, 30)
predicted <- c(12, 16, 18, 24, 28)
# 计算RMSE和MAE
rmse <- sqrt(mean((predicted - observed)^2))
mae <- mean(abs(predicted - observed))
# 创建预测图
p <- ggplot() +
geom_point(aes(x = observed, y = predicted), color = "blue") +
geom_abline(intercept = 0, slope = 1, color = "red") +
labs(x = "Observed", y = "Predicted") +
annotate("text", x = max(observed), y = max(predicted),
label = paste("RMSE =", round(rmse, 2)), hjust = 1) +
annotate("text", x = max(observed), y = max(predicted) - 2,
label = paste("MAE =", round(mae, 2)), hjust = 1)
# 显示预测图
print(p)
在上述代码中,首先导入ggplot2库。然后,假设有一组真实观测值和对应的预测值,分别存储在observed
和predicted
变量中。接下来,通过计算平方差和绝对差的平均值,分别得到RMSE和MAE的值。然后,使用ggplot()
创建一个空的预测图,并使用geom_point()
添加散点图层,表示真实观测值和预测值之间的关系。使用geom_abline()
添加一条红色的参考线,表示完美预测的情况。使用labs()
设置x轴和y轴的标签。最后,使用annotate()
函数在预测图中添加文本,显示RMSE和MAE的值。
这样,就可以将RMSE和MAE粘贴到ggplot2中的预测旁边,以便更好地展示模型的预测准确度。
腾讯云相关产品和产品介绍链接地址:
领取专属 10元无门槛券
手把手带您无忧上云