R语言Iris数据集常规验证计算MSE报错如何修正

• 核心错误1：lm() 是线性回归函数，要求响应变量为数值型，你选择了鸢尾花数据集的Species列作为响应变量，该列是因子类型（代表三类花的分类标签），无法直接用于回归计算，所以触发了「因子做响应变量、减法无意义」的警告。
• 核心错误2：代码存在多处语法逻辑错误：
  • 回归公式左侧误写整个数据集iris，而非具体的数值型响应变量
  • poly()内直接对4个特征求和，不符合多元多项式的构造规则
  • 计算MSE时使用不存在的df对象、用整个数据集和预测值做运算

如果你的需求是做回归任务计算MSE，首先选定一个数值型特征作为预测目标，下面以预测Petal.Width为例给出可直接运行的修正代码：

# 加载包（如果后续要用到分类/自助法可以保留，纯回归场景可删除）
library("class")
library("boot")
data(iris)

# 划分训练集测试集，固定随机种子保证结果可复现
set.seed(123)
train = sample(1:nrow(iris), 75)
test_data = iris[-train,]

# 1. 线性回归 MSE 计算
lm.fit = lm(Petal.Width ~ Sepal.Length + Sepal.Width + Petal.Length, data=iris, subset=train)
pred_lm = predict(lm.fit, newdata = test_data)
mse_lm = mean((test_data$Petal.Width - pred_lm)^2)
cat("线性回归测试集MSE：", mse_lm, "\n")

# 2. 二次回归 MSE 计算
# raw=T指定生成原始多项式而非正交多项式，可根据需求调整
lm.fit2 = lm(Petal.Width ~ poly(Sepal.Length, 2, raw = T) + poly(Sepal.Width, 2, raw = T) + poly(Petal.Length, 2, raw = T), data=iris, subset=train)
pred_lm2 = predict(lm.fit2, newdata = test_data)
mse_lm2 = mean((test_data$Petal.Width - pred_lm2)^2)
cat("二次回归测试集MSE：", mse_lm2, "\n")

# 3. 三次回归 MSE 计算
lm.fit3 = lm(Petal.Width ~ poly(Sepal.Length, 3, raw = T) + poly(Sepal.Width, 3, raw = T) + poly(Petal.Length, 3, raw = T), data=iris, subset=train)
pred_lm3 = predict(lm.fit3, newdata = test_data)
mse_lm3 = mean((test_data$Petal.Width - pred_lm3)^2)
cat("三次回归测试集MSE：", mse_lm3, "\n")

如果你原本的需求是对Species做分类预测，需要更换为分类模型（如glm()做多分类逻辑回归、knn()做K近邻分类），评估指标更换为分类准确率，而非回归场景的MSE。

内容的提问来源于stack exchange，提问作者Samh200