Aquest tutorial aprendrà sobre l'RSME (Root Mean Square Error) i la seva implementació a Python. Comencem amb la seva breu introducció.

Introducció

RSME (Root mean square error) calcula la transformació entre els valors predits per un model i els valors reals. En altres paraules, és un d'aquests errors en la tècnica de mesurar la precisió i la taxa d'error de qualsevol algorisme d'aprenentatge automàtic d'un problema de regressió.

La mètrica d'error ens permet fer un seguiment de l'eficiència i precisió de les diferents matrius. Aquestes matrius es donen a continuació.

• Error quadrat mitjà (MSE)
• Error quadrat mitjà arrel (RSME)
• R-quadrat
• Precisió
• MAPE, etc.

Error quadrat mitjà (MSE)

MSE és un mètode de risc que ens facilita significar la diferència quadrada mitjana entre el valor previst i el real d'una característica o variable. Es calcula mitjançant el mètode següent. La sintaxi es mostra a continuació.

Sintaxi -

 sklearn.metrics.mean_squared_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', squared=True) 

Paràmetres -

i_true -És una matriu valors_objectiu o n_mostres.i_pred -És un valor objectiu estimat.pes_mostra (opcional) -Representa el pes de la mostra.Multioutput {raw_values, uniform_average} -Defineix l'agregació de múltiples valors de sortida. raw_values ​​retorna un conjunt complet d'errors per a l'entrada de múltiples sortides i uniform_average és un error de totes les sortides amb el pes uniforme.Quadrat -És cert, retorna el valor MSE, en cas contrari, retorna el valor RSME.

Devolucions -

convertir la cadena en objecte json

Retorna un valor de coma flotant no negatiu (el millor valor és 0,0) o una matriu de valors de coma flotant, un per a cada objectiu individual.

Entenem l'exemple següent.

Exemple - 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) 

Sortida:

 The difference between actual and predicted values: 1.5388307249337076 

Exemple - 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) 

Sortida:

t ff

 3.15206 

Error quadrat mitjà arrel (RMSE)

RMSE és una arrel quadrada del valor obtingut de la funció d'error quadrat mitjà. Ens ajuda a traçar una diferència entre el valor estimat i real d'un paràmetre del model.

Utilitzant RSME, podem mesurar fàcilment l'eficiència del model.

Es coneix un algorisme que funciona bé si la seva puntuació RSME és inferior a 180. De totes maneres, si el valor RSME supera 180, hem d'aplicar la selecció de característiques i l'ajustament d'hiperparàmetres al paràmetre del model.

Error quadrat mitjà arrel amb el mòdul NumPy

RSME és una arrel quadrada de la diferència quadrada mitjana entre el valor previst i el real de la variable/funció. Vegem la següent fórmula.

Desglossem la fórmula anterior:

S -Representa la 'suma'.d_i-Representa el valor previst per a la i^th pàg_i-Representa el valor previst per a la i^th n -Representa la mida de la mostra.

Implementarem l'RSME utilitzant les funcions del mòdul Numpy. Entenem l'exemple següent.

Nota: si el vostre sistema no té biblioteques numpy i sklearn, podeu instal·lar-lo mitjançant les ordres següents.

 pip install numpy pip install sklearn 

Exemple -

 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) 

Sortida:

 Root Mean Square Error: 2.127439775880859 

Explicació -

Hem calculat la diferència entre els valors previstos i reals al programa anterior mitjançant numpy.subtract() funció. En primer lloc, hem definit dues llistes que contenen valors reals i predits. A continuació, vam calcular la mitjana de la diferència de valors reals i predits mitjançant el mètode squre() de numpy. Finalment hem calculat l'rmse.

Conclusió

En aquest tutorial, hem parlat de com calcular l'arrel quadrada mitjana quadrada utilitzant Python amb una il·lustració d'exemple. S'utilitza principalment per trobar la precisió d'un conjunt de dades donat. Si RSME retorna 0; vol dir que no hi ha diferències entre els valors previstos i observats.