你可以使用以下语法从R中的lm()函数中提取均方根误差（RMSE）：
sqrt(mean(model$residuals^2))
下面的例子展示了如何在实践中使用这种语法。
例子：从R语言的lm()中提取RMSE
假设我们在R中拟合了以下的多元线性回归模型：
#create data frame
df <- data.frame(rating=c(67, 75, 79, 85, 90, 96, 97),
points=c(8, 12, 16, 15, 22, 28, 24),
assists=c(4, 6, 6, 5, 3, 8, 7),
rebounds=c(1, 4, 3, 3, 2, 6, 7))
#fit multiple linear regression model
model <- lm(rating ~ points + assists + rebounds, data=df)
我们可以使用**summary()**函数来查看回归模型的整个摘要：
#view model summary
summary(model)
Call:
lm(formula = rating ~ points + assists + rebounds, data = df)
Residuals:
1 2 3 4 5 6 7
-1.5902 -1.7181 0.2413 4.8597 -1.0201 -0.6082 -0.1644
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 66.4355 6.6932 9.926 0.00218 **
points 1.2152 0.2788 4.359 0.02232 *
assists -2.5968 1.6263 -1.597 0.20860
rebounds 2.8202 1.6118 1.750 0.17847
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 3.193 on 3 degrees of freedom
Multiple R-squared: 0.9589, Adjusted R-squared: 0.9179
F-statistic: 23.35 on 3 and 3 DF, p-value: 0.01396
为了只提取模型的均方根误差（RMSE），我们可以使用以下语法：
#extract RMSE of regression model
sqrt(mean(model$residuals^2))
[1] 2.090564
该模型的RMSE是2.090564。
这表示模型的预测值与数据集中的实际值之间的平均距离。
请注意，RMSE越低，一个给定的模型就越能 "适应 "数据集。
当比较几个不同的回归模型时，具有最低RMSE的模型被认为是最 "适合 "数据集的模型。
