使用您的测试数据来比较每个模型的预测性能。

在 R 中，你可以这样做：

linear.predictions <- predict(linear.model, newdata = test.data)
nonlinear.predictions <- predict(nonlinear.model, newdata = test.data)

linear.percent.difference <- (test.data$TARGET_VARIABLE -
                              linear.predictions)  /
                              test.data$TARGET_VARIABLE

nonlinear.percent.difference <- (test.$TARGET_VARIABLE -
                                 nonlinear.predictions) /
                                 test.dtat$TARGET_VARIABLE

linear.grade <- mean(linear.percent.difference)
nonlinear.grade <- mean(nonlinear.percent.difference)

这是一种非常简单的方法，但它对我有用且易于理解，尤其是当您说“卡方...”时，您的听众会目瞪口呆，发挥创意！

您应该将您的问题描述为序数回归。然后模型将预测目标值，即五个整数值之一。

因此，最好使用均方根误差 (RSME) 进行评估。卡方检验可以应用于五个值级别中的每一个的预期计数和预测计数之间。

如果您想添加其他模型类型，请找到序数类似物（序数 SVM 或序数决策树）。可以应用基于计数的相同卡方检验来找到最佳模型。