logo

TechCodeview

RSME — saknes vidējā kvadrāta kļūda Python

Šajā apmācībā uzzināsiet par RSME (Root Mean Square Error) un tās ieviešanu Python. Sāksim ar tā īso ievadu.

Ievads

RSME (Root mean square error) aprēķina transformāciju starp modeļa prognozētajām vērtībām un faktiskajām vērtībām. Citiem vārdiem sakot, tā ir viena no šādām kļūdām jebkura regresijas problēmas mašīnmācīšanās algoritma precizitātes un kļūdu līmeņa mērīšanas tehnikā.

python sakārtots kortežs

Kļūdu metrika ļauj mums izsekot dažādu matricu efektivitātei un precizitātei. Šīs matricas ir norādītas zemāk.

  • Vidējā kvadrāta kļūda (MSE)
  • Root Mean Square Error (RSME)
  • R-kvadrāts
  • Precizitāte
  • MAPE utt.

Vidējā kvadrāta kļūda (MSE)

MSE ir riska metode, kas palīdz mums noteikt vidējo kvadrātā starpību starp prognozēto un faktisko objekta vai mainīgā vērtību. To aprēķina, izmantojot tālāk norādīto metodi. Sintakse ir norādīta zemāk.

Sintakse — 

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

Parametri -

    y_true -Tas ir līdzīgs masīvam mērķa_vērtības vai n_samples.y_pred -Tās ir aptuvenās mērķa vērtības.parauga_svars (neobligāti) —Tas atspoguļo parauga svaru.Vairāku izvades {neapstrādātas_vērtības, vienota_vidējā vērtība} —Tas nosaka vairāku izvades vērtību apkopošanu. Raw_values ​​atgriež pilnu kļūdu kopu vairāku izvades ievadei, un vienotais_vidējais ir visu izvadu ar vienādu svaru kļūda.kvadrātā —Tiesa, atgriež MSE vērtību, pretējā gadījumā atgriež RSME vērtību.

Atgriešanās -

Tas atgriež nenegatīvu peldošā komata vērtību (labākā vērtība ir 0,0) vai peldošā komata vērtību masīvu, vienu katram atsevišķam mērķim.

Sapratīsim šādu piemēru.

Piemērs - 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)

Izvade: 

 The difference between actual and predicted values: 1.5388307249337076

Piemērs — 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)

Izvade: 

 3.15206

Root Mean Square Error (RMSE)

RMSE ir kvadrātsakne no vērtības, kas iegūta no vidējās kvadrātiskās kļūdas funkcijas. Tas palīdz mums attēlot atšķirību starp modeļa parametra aptuveno un faktisko vērtību.

Izmantojot RSME, mēs varam viegli izmērīt modeļa efektivitāti.

Labi strādājošs algoritms ir zināms, ja tā RSME rādītājs ir mazāks par 180. Jebkurā gadījumā, ja RSME vērtība pārsniedz 180, modeļa parametram ir jāpiemēro funkciju atlase un hiperparametru regulēšana.

Root Mean Square Error ar NumPy moduli

RSME ir kvadrātsakne no vidējās kvadrātsaknes starp mainīgā/iezīmes prognozēto un faktisko vērtību. Apskatīsim šādu formulu.

RSME — saknes vidējā kvadrāta kļūda Python

Sadalīsim iepriekš minēto formulu -

    S -Tas apzīmē 'summu'.di-Tas atspoguļo paredzēto vērtību ith lppi-Tas atspoguļo paredzēto vērtību ith n -Tas atspoguļo izlases lielumu.

RSME ieviesīsim, izmantojot moduļa Numpy funkcijas. Sapratīsim šādu piemēru.

Piezīme. Ja jūsu sistēmā nav numpy un sklearn bibliotēku, varat instalēt, izmantojot tālāk norādītās komandas.

 pip install numpy pip install sklearn

Piemērs -

anakonda vs pitona čūska 
 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)

Izvade: 

 Root Mean Square Error: 2.127439775880859

Paskaidrojums -

Mēs aprēķinājām starpību starp prognozētajām un faktiskajām vērtībām iepriekš minētajā programmā, izmantojot numpy.subtract() funkciju. Pirmkārt, mēs definējām divus sarakstus, kas satur faktiskās un paredzamās vērtības. Pēc tam mēs aprēķinājām vidējo faktisko un prognozēto vērtību starpību, izmantojot numpy's squre () metodi. Visbeidzot mēs aprēķinājām rmse.

Secinājums

Šajā apmācībā mēs esam apsprieduši, kā aprēķināt kvadrātsaknes vidējo kvadrātu, izmantojot Python ar piemēru. To galvenokārt izmanto, lai noteiktu dotās datu kopas precizitāti. Ja RSME atgriež 0; tas nozīmē, ka nav atšķirību prognozētajām un novērotajām vērtībām.