R中多元线性回归的交叉验证

我目前正在做一个大学项目，以预测24/7商店的顾客数量。我使用的是一家商店的数据，其中包含（除其他外）某一年中每一位客户的服务日期和时间

我已将此数据集拆分为一个训练集和一个交叉验证集。此外，我还将培训集与同一年的天气数据进行了汇总和合并，以了解高温是否会带来更多客户

合并数据的简化版本如下所示：

| ServedCustomers | Month | Day | Hour | Temperature (C°) | Rain(binary)
| --------------- | ----- | --- | ---- | ---------------- | ------------
| 1               | 12    | 31  | 12   | 9.2              | 0
| 0               | 12    | 31  | 13   | 9.8              | 1
| 2               | 12    | 31  | 14   | 10.1             | 0

一年中的每一个小时，我都有服务的客户数量以及相应的天气数据

我在R中创建了一个多元线性回归模型，用几乎所有其他变量作为预测因子来预测客户数量。使用

summary（）

命令，到目前为止，MSE、R^2和其他统计数据看起来还不错

现在我想检查同一个模型是否也适用于交叉验证集。为此，我合并了相同的天气数据，以获得一个与上表结构相同的数据集，只是客户数量不同

然而，这就是我目前所处的困境。将

predict.lm（）

函数与模型和交叉验证集一起使用似乎是可行的，但只产生预测值和少量附加信息

---

是否有某种方法可以创建模型对其他数据集的运行情况摘要？类似于

summary（）

命令，但对于线性模型最初不基于的数据集？

可以计算均方误差和均方根误差，以查看模型的性能

1） 取你的系数，乘以你训练数据中的协变矩阵。yhat=（X*b）

2） 拿你的训练集y's，把它们和上面的yhat区别开来

3） 误差平方

4） 取答案的平方根=均方根误差

---

较低的值意味着整体拟合更好

您可以计算均方误差和均方根误差，以查看您的模型的拟合情况

1） 取你的系数，乘以你训练数据中的协变矩阵。yhat=（X*b）

2） 拿你的训练集y's，把它们和上面的yhat区别开来

3） 误差平方

4） 取答案的平方根=均方根误差

较低的值意味着更适合整体