模拟线性回归的RMSE计算

Question

我试图为模拟数据计算RMSE。但是输出给出了RMSE的NaN。下面是我正在使用的代码。

library(caret)
RMSE <- function(x,y) sqrt(mean((x-y)^2))
sim.regression<-function(n.obs=200,coefficients=c(3,1.5,0,0,2,0,0,0),s.deviation=.1){
  
  n.var=length(coefficients)  
  M=matrix(0,ncol=n.var,nrow=n.obs)
  
  beta=as.matrix(coefficients)
  
  for (i in 1:n.var){
    M[,i]=rnorm(n.obs,0,1)
  }
  
  y=M %*% beta + rnorm(n.obs,0,s.deviation)
  
  train.data<-y[1:150]
  train.data<-data.frame(train.data)
  test.data<-y[151:200]
  test.data<-data.frame(test.data)
  prediction <- predict(lm(y~M),test.data)
  RMSE.data<-RMSE(prediction, test.data$y)
  
  return (list(x=M,y=y,coeff=coefficients, RMSE=RMSE.data))
  
}

set.seed(2000)
sim.regression(100)

Answer 1

欢迎来到这里。守则中很少有问题：

假设你试图在'M‘的基础上学习/预测'y’，你必须结合M和y并建立一个数据框架。只有在那之后，你才应该分割前150个用于训练和剩下的等待测试。然后你在sim.regression(200).上进行train.data训练和预测，因为你已经硬编码了1:150和150:200用于火车测试拆分，你将不得不通过200，就像在sim.regression(200).中一样。

更正后的代码如下：

library(caret)
RMSE <- function(x,y) sqrt(mean((x-y)^2))
sim.regression<-function(n.obs=200,coefficients=c(3,1.5,0,0,2,0,0,0),s.deviation=.1){
  
  n.var=length(coefficients)  
  M=matrix(0,ncol=n.var,nrow=n.obs)
  
  beta=as.matrix(coefficients)
  
  for (i in 1:n.var){
    M[,i]=rnorm(n.obs,0,1)
  }
  
  y=M %*% beta + rnorm(n.obs,0,s.deviation)
  data<-data.frame(M,y)
  train.data <- data[1:150,]
  test.data<-data[151:200,]
  prediction <- predict(lm(y~., data=train.data),test.data)
  RMSE.data<-RMSE(prediction, test.data$y)
  return (list(x=M,y=y,coeff=coefficients, RMSE=RMSE.data))
  
}

set.seed(2000)
sim.regression(200)

指纹：

$RMSE
0.0755869850491716