Овај водич ће научити о РСМЕ (средња квадратна грешка) и његовој имплементацији у Питхон-у. Почнимо са његовим кратким уводом.
Увод
РСМЕ (средња квадратна грешка) израчунава трансформацију између вредности предвиђених моделом и стварних вредности. Другим речима, то је једна таква грешка у техници мерења прецизности и стопе грешке било ког алгоритма машинског учења проблема регресије.
метрика грешке нам омогућава да пратимо ефикасност и тачност различитих матрица. Ове матрице су дате у наставку.
- Средња квадратна грешка (МСЕ)
- Средња квадратна грешка (РСМЕ)
- Р-квадрат
- Прецизност
- МАПЕ итд.
Средња квадратна грешка (МСЕ)
МСЕ је метода ризика која нам омогућава да означимо просечну квадратну разлику између предвиђене и стварне вредности неке карактеристике или променљиве. Израчунава се на следећи начин. Синтакса је дата у наставку.
Синтакса -
дханасхрее верма
sklearn.metrics.mean_squared_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', squared=True)
Параметри -
Враћа -
Враћа ненегативну вредност са покретним зарезом (најбоља вредност је 0,0) или низ вредности са покретним зарезом, по једну за сваки појединачни циљ.
Хајде да разумемо следећи пример.
Пример - 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)
Излаз:
The difference between actual and predicted values: 1.5388307249337076
Пример - 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)
Излаз:
3.15206
Средња квадратна грешка (РМСЕ)
РМСЕ је квадратни корен вредности прикупљен из функције средње квадратне грешке. Помаже нам да нацртамо разлику између процењене и стварне вредности параметра модела.
Користећи РСМЕ, лако можемо измерити ефикасност модела.
Алгоритам који добро функционише је познат ако је његов РСМЕ резултат мањи од 180. У сваком случају, ако РСМЕ вредност премашује 180, морамо да применимо избор карактеристика и подешавање хиперпараметара на параметар модела.
Роот Меан Скуаре Еррор са НумПи модулом
РСМЕ је квадратни корен просечне квадратне разлике између предвиђене и стварне вредности променљиве/обележја. Хајде да видимо следећу формулу.
Хајде да рашчланимо горњу формулу -
РСМЕ ћемо имплементирати користећи функције Нумпи модула. Хајде да разумемо следећи пример.
Напомена - Ако ваш систем нема нумпи и склеарн библиотеке, можете инсталирати помоћу доле наведених команди.
pip install numpy pip install sklearn
Пример -
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)
Излаз:
Root Mean Square Error: 2.127439775880859
Објашњење -
Израчунали смо разлику између предвиђених и стварних вредности у горњем програму користећи нумпи.субтрацт() функција. Прво смо дефинисали две листе које садрже стварне и предвиђене вредности. Затим смо израчунали средњу вредност разлике стварних и предвиђених вредности користећи нумпијев скуре() метод. Коначно смо израчунали рмсе.
гимп правоугаоник цртање
Закључак
У овом туторијалу смо разговарали о томе како израчунати средњи квадрат корена користећи Питхон са илустрацијом примера. Углавном се користи за проналажење тачности датог скупа података. Ако РСМЕ враћа 0; то значи да нема разлике у предвиђеним и посматраним вредностима.