TechCodeview

מדריך זה ילמד על RSME (Root Mean Square Error) והטמעתו ב- Python. בואו נתחיל עם ההקדמה הקצרה שלו.

tuple ממוין פיתון

מבוא

RSME (Root mean square error) מחשב את הטרנספורמציה בין ערכים החזויים על ידי מודל לבין ערכים בפועל. במילים אחרות, זוהי שגיאה אחת כזו בטכניקה של מדידת הדיוק ושיעור השגיאות של כל אלגוריתם למידת מכונה של בעיית רגרסיה.

מדד שגיאה מאפשר לנו לעקוב אחר היעילות והדיוק של המטריצות השונות. מטריצות אלו ניתנות להלן.

• שגיאת ריבוע ממוצעת (MSE)
• שגיאת Root Mean Square (RSME)
• ריבוע R
• דיוק
• MAPE וכו'.

שגיאת ריבוע ממוצעת (MSE)

MSE היא שיטת סיכון שמאפשרת לנו לסמן את ההפרש הממוצע בריבוע בין הערך החזוי לערך בפועל של תכונה או משתנה. זה מחושב לפי השיטה שלהלן. התחביר ניתן להלן.

תחביר -

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

פרמטרים -

y_true -זה דמוי מערך target_values או n_samples.y_pred -זה ערכי יעד משוערים.מדגם_weight (אופציונלי) -זה מייצג את משקל המדגם.ריבוי פלט {raw_values, uniform_average} -הוא מגדיר צבירת ערכי פלט מרובים. ה-raw_values ​​מחזיר סט שלם של שגיאות עבור קלט רב פלט וה-uniform_average הוא שגיאה של כל הפלטים עם המשקל האחיד.בריבוע -נכון, מחזיר ערך MSE אחרת מחזיר ערך RSME.

החזרות -

הוא מחזיר ערך נקודה צפה לא שלילי (הערך הטוב ביותר הוא 0.0) או מערך של ערכי נקודה צפה, אחד עבור כל יעד בודד.

בואו נבין את הדוגמה הבאה.

דוגמה - 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) 

תְפוּקָה:

 The difference between actual and predicted values: 1.5388307249337076 

דוגמה - 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) 

תְפוּקָה:

 3.15206 

שגיאת ריבוע ממוצע (RMSE)

RMSE הוא שורש ריבועי של ערך שנאסף מפונקציית השגיאה הריבועית הממוצעת. זה עוזר לנו לשרטט הבדל בין ההערכה לערך בפועל של פרמטר של המודל.

באמצעות RSME, אנו יכולים למדוד בקלות את היעילות של המודל.

אלגוריתם שעובד היטב ידוע אם ציון ה-RSME שלו נמוך מ-180. בכל מקרה, אם ערך ה-RSME עולה על 180, עלינו להחיל בחירת תכונה וכוונון יתר פרמטרים על פרמטר הדגם.

שגיאת Root Mean Square עם מודול NumPy

RSME הוא שורש ריבועי של ההפרש הממוצע בריבוע בין הערך החזוי והממשי של המשתנה/תכונה. בואו נראה את הנוסחה הבאה.

בואו נפרט את הנוסחה לעיל -

S -הוא מייצג את ה'סכום'.ד_אני-הוא מייצג את הערך החזוי עבור ה-i^ה' ע_אני-הוא מייצג את הערך החזוי עבור ה-i^ה' n -זה מייצג את גודל המדגם.

ניישם את ה-RSME באמצעות הפונקציות של מודול Numpy. בואו נבין את הדוגמה הבאה.

הערה - אם למערכת שלך אין ספריות numpy ו-sklearn, תוכל להתקין באמצעות הפקודות שלהלן.

 pip install numpy pip install sklearn 

דוגמא -

 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) 

תְפוּקָה:

 Root Mean Square Error: 2.127439775880859 

הסבר -

חישבנו את ההפרש בין הערכים החזויים והממשיים בתוכנית לעיל באמצעות numpy.subtract() פוּנקצִיָה. ראשית, הגדרנו שתי רשימות המכילות ערכים ממשיים וחזויים. לאחר מכן חישבנו את הממוצע של הפרש הערכים בפועל והחזוי באמצעות שיטת squre() של numpy. לבסוף חישבנו את ה-rmse.

סיכום

במדריך זה, דנו כיצד לחשב ריבוע ממוצע ריבועי שורש באמצעות Python עם המחשה של דוגמה. הוא משמש בעיקר כדי למצוא את הדיוק של מערך נתונים נתון. אם RSME מחזיר 0; זה אומר שאין הבדל בערכים חזויים ונצפוים.