Tento tutoriál se seznámí s RSME (Root Mean Square Error) a jeho implementací v Pythonu. Začněme jeho stručným představením.

Úvod

RSME (Root mean square error) vypočítává transformaci mezi hodnotami předpokládanými modelem a skutečnými hodnotami. Jinými slovy, je to jedna taková chyba v technice měření přesnosti a chybovosti jakéhokoli algoritmu strojového učení regresního problému.

Metrika chyb nám umožňuje sledovat účinnost a přesnost různých matic. Tyto matice jsou uvedeny níže.

• Střední kvadratická chyba (MSE)
• Root Mean Square Error (RSME)
• R-čtverec
• Přesnost
• MAPE atd.

Střední kvadratická chyba (MSE)

MSE je riziková metoda, která nám umožňuje vyjádřit průměrnou druhou mocninu rozdílu mezi předpokládanou a skutečnou hodnotou vlastnosti nebo proměnné. Vypočítá se pomocí níže uvedené metody. Syntaxe je uvedena níže.

Syntaxe -

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

Parametry -

y_true -Je to jako pole cílové_hodnoty nebo n_samples.y_pred -Jedná se o odhadované cílové hodnoty.vzorek_váha (volitelné) -Představuje hmotnost vzorku.Multioutput {raw_values, uniform_average} -Definuje agregaci více výstupních hodnot. Surové_hodnoty vrací kompletní sadu chyb pro vstup s více výstupy a uniform_average je chyba všech výstupů s jednotnou váhou.čtvercový -Pravda, vrátí hodnotu MSE, jinak vrátí hodnotu RSME.

Vrácení zboží -

Vrací nezápornou hodnotu s pohyblivou řádovou čárkou (nejlepší hodnota je 0,0) nebo pole hodnot s pohyblivou řádovou čárkou, jednu pro každý jednotlivý cíl.

Pojďme pochopit následující příklad.

Příklad - 1

android proces acore se stále zastavuje

 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) 

Výstup:

 The difference between actual and predicted values: 1.5388307249337076 

Příklad – 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) 

Výstup:

 3.15206 

Root Mean Square Error (RMSE)

RMSE je druhá odmocnina hodnoty získané z funkce střední kvadratické chyby. Pomáhá nám vykreslit rozdíl mezi odhadovanou a skutečnou hodnotou parametru modelu.

Pomocí RSME můžeme jednoduše změřit efektivitu modelu.

Dobře fungující algoritmus je znám, pokud je jeho RSME skóre nižší než 180. V každém případě, pokud hodnota RSME překročí 180, musíme na parametr modelu použít výběr vlastností a ladění hyperparametrů.

Root Mean Square Error s modulem NumPy

RSME je druhá odmocnina průměrné druhé mocniny rozdílu mezi předpokládanou a skutečnou hodnotou proměnné/funkce. Podívejme se na následující vzorec.

Pojďme rozebrat výše uvedený vzorec -

S -Představuje „součet“.d_i-Představuje předpokládanou hodnotu pro i^čt p_i-Představuje předpokládanou hodnotu pro i^čt n -Představuje velikost vzorku.

RSME implementujeme pomocí funkcí modulu Numpy. Pojďme pochopit následující příklad.

Poznámka - Pokud váš systém nemá knihovny numpy a sklearn, můžete nainstalovat pomocí níže uvedených příkazů.

 pip install numpy pip install sklearn 

Příklad -

 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) 

Výstup:

 Root Mean Square Error: 2.127439775880859 

Vysvětlení -

Pomocí výše uvedeného programu jsme vypočítali rozdíl mezi předpokládanými a skutečnými hodnotami numpy.subtract() funkce. Nejprve jsme definovali dva seznamy, které obsahují skutečné a předpokládané hodnoty. Poté jsme vypočítali průměr rozdílu skutečných a předpokládaných hodnot pomocí metody numpy's squre(). Nakonec jsme vypočítali rmse.

Závěr

V tomto tutoriálu jsme diskutovali o tom, jak vypočítat odmocninu střední čtverce pomocí Pythonu s ilustrací příkladu. Většinou se používá k nalezení přesnosti daného datového souboru. Pokud RSME vrátí 0; to znamená, že neexistuje žádný rozdíl mezi předpokládanými a pozorovanými hodnotami.