Acest tutorial va învăța despre RSME (Root Mean Square Error) și implementarea sa în Python. Să începem cu scurta sa introducere.
Introducere
RSME (Root mean square error) calculează transformarea dintre valorile prezise de un model și valorile reale. Cu alte cuvinte, este o astfel de eroare în tehnica de măsurare a preciziei și ratei de eroare a oricărui algoritm de învățare automată a unei probleme de regresie.
dezactivați modul dezvoltator
Metrica de eroare ne permite să urmărim eficiența și acuratețea diferitelor matrici. Aceste matrici sunt prezentate mai jos.
- Eroare pătrată medie (MSE)
- Eroare pătratică medie (RSME)
- R-pătrat
- Precizie
- MAPE etc.
Eroare pătrată medie (MSE)
MSE este o metodă de risc care ne facilitează să semnificăm diferența medie pătrată dintre valoarea prezisă și cea reală a unei caracteristici sau variabile. Se calculează folosind metoda de mai jos. Sintaxa este dată mai jos.
Sintaxă -
sklearn.metrics.mean_squared_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', squared=True)
Parametri -
Se intoarce -
Returnează o valoare în virgulă mobilă nenegativă (cea mai bună valoare este 0,0) sau o matrice de valori în virgulă mobilă, câte una pentru fiecare țintă individuală.
Să înțelegem următorul exemplu.
Exemplu - 1
import math import sklearn.metrics actual = [0, 1, 2, 0, 3] predicted = [0.2, 2.3, 4.5, 0.5, 1.1] mse = sklearn.metrics.mean_squared_error(actual, predicted) rmse = math.sqrt(mse) print('The difference between actual and predicted values', rmse)
Ieșire:
The difference between actual and predicted values: 1.5388307249337076
Exemplu - 2:
from sklearn.metrics import mean_squared_error # Given values Y_act = [1,4,3,2,6] # Y_true = Y (original values) # calculated values Y_pred = [0.6,1.29,1.99,2.69,3.4] # Y_pred = Y' # Calculation of Mean Squared Error (MSE) mean_squared_error(Y_act,Y_pred)
Ieșire:
3.15206
Eroare pătrată medie (RMSE)
RMSE este o rădăcină pătrată a valorii colectate din funcția de eroare pătrată medie. Ne ajută să trasăm o diferență între valoarea estimată și cea reală a unui parametru al modelului.
Folosind RSME, putem măsura cu ușurință eficiența modelului.
Un algoritm care funcționează bine este cunoscut dacă scorul său RSME este mai mic de 180. Oricum, dacă valoarea RSME depășește 180, trebuie să aplicăm selecția caracteristicilor și reglarea hiper-parametrului parametrului modelului.
hashing în structura datelor
Root Mean Square Error cu modulul NumPy
RSME este o rădăcină pătrată a diferenței pătrate medii dintre valoarea prezisă și cea reală a variabilei/funcției. Să vedem următoarea formulă.
Să defalcăm formula de mai sus -
Vom implementa RSME folosind funcțiile modulului Numpy. Să înțelegem următorul exemplu.
Notă - Dacă sistemul dvs. nu are biblioteci numpy și sklearn, puteți instala folosind comenzile de mai jos.
pip install numpy pip install sklearn
Exemplu -
import math import numpy as np actual = [1,3,6,4,2] predicted = [2.6,1.5,3.9,7,4.1] MSE = np.square(np.subtract(actual,predicted)).mean() rsme = math.sqrt(MSE) print('Root Mean Square Error: ') print(rsme)
Ieșire:
Root Mean Square Error: 2.127439775880859
Explicatie -
Am calculat diferența dintre valorile prezise și cele reale în programul de mai sus folosind numpy.subtract() funcţie. În primul rând, am definit două liste care conțin valori reale și prognozate. Apoi am calculat media diferenței dintre valorile reale și cele prezise utilizând metoda squre() a lui numpy. În cele din urmă am calculat valoarea rmse.
Concluzie
În acest tutorial, am discutat cum să calculăm pătratul mediu pătrat folosind Python cu ilustrarea unui exemplu. Este folosit mai ales pentru a găsi acuratețea setului de date dat. Dacă RSME returnează 0; înseamnă că nu există diferențe dintre valorile prezise și observate.
dacă altceva dacă altceva java