In diesem Tutorial erfahren Sie mehr über den RSME (Root Mean Square Error) und seine Implementierung in Python. Beginnen wir mit der kurzen Einführung.

Einführung

RSME (Root Mean Square Error) berechnet die Transformation zwischen von einem Modell vorhergesagten Werten und tatsächlichen Werten. Mit anderen Worten handelt es sich um einen solchen Fehler in der Technik zur Messung der Präzision und Fehlerrate eines Algorithmus für maschinelles Lernen eines Regressionsproblems.

Mithilfe der Fehlermetrik können wir die Effizienz und Genauigkeit der verschiedenen Matrizen verfolgen. Diese Matrizen sind unten aufgeführt.

• Mittlerer quadratischer Fehler (MSE)
• Root Mean Square Error (RSME)
• R Quadrat
• Genauigkeit
• MAP usw.

Mittlerer quadratischer Fehler (MSE)

MSE ist eine Risikomethode, die es uns ermöglicht, die durchschnittliche quadratische Differenz zwischen dem vorhergesagten und dem tatsächlichen Wert eines Merkmals oder einer Variablen anzugeben. Die Berechnung erfolgt mit der folgenden Methode. Die Syntax ist unten angegeben.

Syntax -

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

Parameter -

y_true -Es ähnelt einem Array Zielwerte oder n_samples.y_pred -Es handelt sich um geschätzte Zielwerte.sample_weight (optional) –Es stellt das Probengewicht dar.Multioutput {raw_values, uniform_average} –Es definiert die Aggregation mehrerer Ausgabewerte. Die raw_values ​​geben einen vollständigen Satz von Fehlern für die Eingabe mit mehreren Ausgängen zurück und der uniform_average ist ein Fehler aller Ausgänge mit der einheitlichen Gewichtung.Quadratisch -True, gibt den MSE-Wert zurück, andernfalls gibt er den RSME-Wert zurück.

Kehrt zurück -

Es gibt einen nicht negativen Gleitkommawert (der beste Wert ist 0,0) oder ein Array von Gleitkommawerten zurück, einen für jedes einzelne Ziel.

Lassen Sie uns das folgende Beispiel verstehen.

Beispiel 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) 

Ausgabe:

 The difference between actual and predicted values: 1.5388307249337076 

Beispiel – 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) 

Ausgabe:

 3.15206 

Root Mean Square Error (RMSE)

RMSE ist eine Quadratwurzel des Wertes, der aus der mittleren quadratischen Fehlerfunktion ermittelt wird. Es hilft uns, die Differenz zwischen dem geschätzten und dem tatsächlichen Wert eines Parameters des Modells darzustellen.

Mit RSME können wir die Effizienz des Modells leicht messen.

Ein gut funktionierender Algorithmus ist bekannt, wenn sein RSME-Wert weniger als 180 beträgt. Wenn der RSME-Wert jedoch 180 überschreitet, müssen wir eine Merkmalsauswahl und Hyperparameter-Optimierung auf die Modellparameter anwenden.

Root Mean Square Error mit NumPy-Modul

RSME ist eine Quadratwurzel der durchschnittlichen quadratischen Differenz zwischen dem vorhergesagten und dem tatsächlichen Wert der Variablen/des Merkmals. Sehen wir uns die folgende Formel an.

Lassen Sie uns die obige Formel aufschlüsseln:

S -Es stellt die „Summe“ dar.D_ich-Es stellt den vorhergesagten Wert für i dar^Th P_ich-Es stellt den vorhergesagten Wert für i dar^Th N -Es stellt die Stichprobengröße dar.

Wir werden das RSME mithilfe der Funktionen des Numpy-Moduls implementieren. Lassen Sie uns das folgende Beispiel verstehen.

Hinweis – Wenn Ihr System nicht über Numpy- und Sklearn-Bibliotheken verfügt, können Sie die Installation mit den folgenden Befehlen durchführen.

 pip install numpy pip install sklearn 

Beispiel -

 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) 

Ausgabe:

 Root Mean Square Error: 2.127439775880859 

Erläuterung -

Wir haben die Differenz zwischen vorhergesagten und tatsächlichen Werten im obigen Programm mit berechnet numpy.subtract() Funktion. Zuerst haben wir zwei Listen definiert, die tatsächliche und vorhergesagte Werte enthalten. Dann haben wir den Mittelwert der Differenz zwischen tatsächlichen und vorhergesagten Werten mithilfe der Methode sqre() von Numpy berechnet. Schließlich haben wir den Effektivwert berechnet.

Abschluss

In diesem Tutorial haben wir anhand eines Beispiels besprochen, wie man mit Python den quadratischen Mittelwert berechnet. Es wird hauptsächlich verwendet, um die Genauigkeit eines bestimmten Datensatzes zu ermitteln. Wenn RSME 0 zurückgibt; Dies bedeutet, dass es keinen Unterschied zwischen vorhergesagten und beobachteten Werten gibt.