Tento tutoriál sa dozviete o RSME (Root Mean Square Error) a jeho implementácii v Pythone. Začnime jeho krátkym predstavením.

môže mať abstraktná trieda konštruktor

Úvod

RSME (Root mean square error) vypočítava transformáciu medzi hodnotami predpovedanými modelom a skutočnými hodnotami. Inými slovami, je to jedna taká chyba v technike merania presnosti a chybovosti akéhokoľvek algoritmu strojového učenia regresného problému.

Metrika chýb nám umožňuje sledovať účinnosť a presnosť rôznych matíc. Tieto matice sú uvedené nižšie.

• Stredná štvorcová chyba (MSE)
• Root Mean Square Error (RSME)
• R-štvorec
• Presnosť
• MAPE atď.

Stredná štvorcová chyba (MSE)

MSE je riziková metóda, ktorá nám uľahčuje vyjadrenie priemerného štvorcového rozdielu medzi predpokladanou a skutočnou hodnotou vlastnosti alebo premennej. Vypočíta sa pomocou nižšie uvedenej metódy. Syntax je uvedená nižšie.

Syntax -

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

Parametre -

y_true -Je to ako pole cieľové_hodnoty alebo n_vzoriek.y_pred -Ide o odhadované cieľové hodnoty.sample_weight (voliteľné) -Predstavuje hmotnosť vzorky.Multioutput {raw_values, uniform_average} -Definuje agregáciu viacerých výstupných hodnôt. Surové_hodnoty vrátia úplný súbor chýb pre vstup s viacerými výstupmi a jednotný_priemer je chyba všetkých výstupov s jednotnou váhou.Štvorcový -Pravda, vráti hodnotu MSE, inak vráti hodnotu RSME.

Návraty -

Vracia nezápornú hodnotu s pohyblivou rádovou čiarkou (najlepšia hodnota je 0,0) alebo pole hodnôt s pohyblivou rádovou čiarkou, jednu pre každý jednotlivý cieľ.

Poďme pochopiť nasledujúci príklad.

Príklad - 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) 

Výkon:

 The difference between actual and predicted values: 1.5388307249337076 

Príklad – 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) 

Výkon:

 3.15206 

Root Mean Square Error (RMSE)

RMSE je druhá odmocnina hodnoty získanej z funkcie strednej štvorcovej chyby. Pomáha nám vykresliť rozdiel medzi odhadovanou a skutočnou hodnotou parametra modelu.

Pomocou RSME môžeme jednoducho zmerať efektivitu modelu.

pružina a pružina mvc

Dobre fungujúci algoritmus je známy, ak jeho skóre RSME je nižšie ako 180. V každom prípade, ak hodnota RSME presiahne 180, musíme na parameter modelu použiť výber funkcií a ladenie hyperparametrov.

Root Mean Square Error s modulom NumPy

RSME je druhá odmocnina priemerného štvorcového rozdielu medzi predpokladanou a skutočnou hodnotou premennej/funkcie. Pozrime sa na nasledujúci vzorec.

Poďme rozobrať vyššie uvedený vzorec -

S -Predstavuje „súčet“.d_i-Predstavuje predpokladanú hodnotu pre i^th p_i-Predstavuje predpokladanú hodnotu pre i^th n -Predstavuje veľkosť vzorky.

RSME implementujeme pomocou funkcií modulu Numpy. Poďme pochopiť nasledujúci príklad.

Poznámka - Ak váš systém nemá numpy a sklearn knižnice, môžete nainštalovať pomocou nižšie uvedených príkazov.

 pip install numpy pip install sklearn 

Príklad -

 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) 

Výkon:

 Root Mean Square Error: 2.127439775880859 

vysvetlenie -

Rozdiel medzi predpokladanými a skutočnými hodnotami vo vyššie uvedenom programe sme vypočítali pomocou numpy.subtract() funkciu. Najprv sme definovali dva zoznamy, ktoré obsahujú skutočné a predpokladané hodnoty. Potom sme vypočítali priemer rozdielu skutočných a predpokladaných hodnôt pomocou metódy numpy's squre(). Nakoniec sme vypočítali rmse.

Záver

V tomto návode sme diskutovali o tom, ako vypočítať strednú odmocninu pomocou Pythonu s ilustráciou príkladu. Väčšinou sa používa na zistenie presnosti daného súboru údajov. Ak RSME vráti 0; to znamená, že neexistuje žiadny rozdiel medzi predpokladanými a pozorovanými hodnotami.

ak inak ak inak java