Tämä opetusohjelma oppii RSME:stä (Root Mean Square Error) ja sen toteutuksesta Pythonissa. Aloitetaan sen lyhyellä esittelyllä.

Johdanto

RSME (Root mean square error) laskee muunnoksen mallin ennustamien arvojen ja todellisten arvojen välillä. Toisin sanoen se on yksi tällainen virhe regressioongelman minkä tahansa koneoppimisalgoritmin tarkkuuden ja virhesuhteen mittaustekniikassa.

Virhemetriikan avulla voimme seurata eri matriisien tehokkuutta ja tarkkuutta. Nämä matriisit on annettu alla.

java-taulukko luetteloon

• Keskimääräinen neliövirhe (MSE)
• Root Mean Square Error (RSME)
• R-neliö
• Tarkkuus
• MAPE jne.

Keskimääräinen neliövirhe (MSE)

MSE on riskimenetelmä, jonka avulla voimme merkitä ominaisuuden tai muuttujan ennustetun ja todellisen arvon keskimääräisen neliöeron. Se lasketaan alla olevalla menetelmällä. Syntaksi on annettu alla.

Syntaksi -

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

Parametrit -

y_true -Se on matriisin kaltainen kohdearvot tai n_samples.y_pred -Se on arvioitu tavoitearvo.sample_weight (valinnainen) -Se edustaa näytteen painoa.Monitulostus {raw_values, yhtenäinen_keskiarvo} -Se määrittelee useiden lähtöarvojen yhdistämisen. Raaka_arvot palauttaa täydellisen virhejoukon usean tulosteen tulolle, ja yhtenäinen_keskiarvo on kaikkien tasapainoisten tulosteiden virhe.Neliöity -Totta, palauttaa MSE-arvon, muuten palauttaa RSME-arvon.

Palautukset -

Se palauttaa ei-negatiivisen liukulukuarvon (paras arvo on 0,0) tai joukon liukulukuarvoja, yhden kullekin yksittäiselle kohteelle.

Ymmärretään seuraava esimerkki.

Esimerkki - 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) 

Lähtö:

 The difference between actual and predicted values: 1.5388307249337076 

Esimerkki - 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) 

Lähtö:

 3.15206 

Root Mean Square Error (RMSE)

RMSE on arvon neliöjuuri, joka on saatu keskineliövirhefunktiosta. Se auttaa meitä piirtämään eron mallin parametrin arvion ja todellisen arvon välillä.

RSME:n avulla voimme helposti mitata mallin tehokkuutta.

Hyvin toimiva algoritmi tunnetaan, jos sen RSME-pistemäärä on alle 180. Joka tapauksessa, jos RSME-arvo ylittää 180, meidän on sovellettava ominaisuuden valintaa ja hyperparametrien viritystä malliparametriin.

Root Mean Square Error NumPy-moduulilla

RSME on neliöjuuri muuttujan/ominaisuuden ennustetun ja todellisen arvon keskimääräisestä neliöerosta. Katsotaanpa seuraava kaava.

Puretaan yllä oleva kaava -

S -Se edustaa 'summaa'.d_i-Se edustaa i:n ennustettua arvoa^th s_i-Se edustaa i:n ennustettua arvoa^th n -Se edustaa näytteen kokoa.

Toteutamme RSME:n Numpy-moduulin toimintojen avulla. Ymmärretään seuraava esimerkki.

Huomautus - Jos järjestelmässäsi ei ole numpy- ja sklearn-kirjastoja, voit asentaa käyttämällä alla olevia komentoja.

 pip install numpy pip install sklearn 

Esimerkki -

 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) 

Lähtö:

kevään saappaiden arkkitehtuuri

 Root Mean Square Error: 2.127439775880859 

Selitys -

Laskimme ennustettujen ja todellisten arvojen välisen eron yllä olevassa ohjelmassa käyttämällä numpy.subtract() toiminto. Ensin määritimme kaksi listaa, jotka sisältävät todelliset ja ennustetut arvot. Sitten laskettiin todellisten ja ennustettujen arvojen eron keskiarvo käyttämällä numpy's squre() -menetelmää. Lopuksi laskemme rmse:n.

Johtopäätös

Tässä opetusohjelmassa olemme keskustelleet neliöjuuren keskimääräisen neliön laskemisesta Pythonilla esimerkkikuvan kanssa. Sitä käytetään useimmiten määrittämään tietyn tietojoukon tarkkuus. Jos RSME palauttaa 0; se tarkoittaa, että ennustetuissa ja havaituissa arvoissa ei ole eroa.