我将通过Hastie和Tibshirani的R介绍统计学习。我遇到了两个概念：RSE和MSE。我的理解是这样的：
RSE = sqrt(RSS/N-2)
MSE = RSS/N
现在我正在为一个问题构建3个模型，需要对它们进行比较。虽然MSE对我来说很直观，但我也想知道计算RSS/N-2是否会使用上面的任何内容RSE^2
我想我不确定在哪里使用？
答案 0 :(得分：1)
RSE是对残差的标准偏差的估计，因此也是对观测值的标准偏差的估计。这就是为什么它等于RSS / df。在您的情况下，作为简单的线性模型df = 2。
MSE是在模型中观察到的均方误差，通常使用测试集进行计算，以比较拟合模型的预测精度。由于我们关注模型的平均误差，因此我们除以n。
答案 1 :(得分：0)
我认为RSE⊂MSE（即RSE是MSE的一部分）。 并且MSE = RSS /自由度
单个数据集（X1，X2，...... Xn）的MSE将是RSS over N. 或更准确地说是RSS / N-1 （因为当你已经用尽了所有的自由时，你的变化自由会减少一个）
但是在关于X和Y的二项式线性回归中，自由度受到X和Y的影响，因此N-2 因此，MSE = RSS / N-2 一个人也可以称之为RSE
在过度参数化的模型中，意味着有一个包含许多ß（超过2个项|y~ß0+ß1* X +ß2* X ..）的集合，甚至可以通过包括减少分母来惩罚模型参数个数： MSE = RSS / N-p（p是拟合参数的数量）