Ta vadnica bo spoznala RSME (povprečna kvadratna napaka) in njeno implementacijo v Pythonu. Začnimo s kratkim uvodom.

Uvod

RSME (povprečna kvadratna napaka) izračuna transformacijo med vrednostmi, ki jih predvideva model, in dejanskimi vrednostmi. Z drugimi besedami, to je ena taka napaka v tehniki merjenja natančnosti in stopnje napak katerega koli algoritma strojnega učenja regresijskega problema.

Meritev napak nam omogoča sledenje učinkovitosti in natančnosti različnih matrik. Te matrike so podane spodaj.

• Povprečna kvadratna napaka (MSE)
• Koren srednje kvadratne napake (RSME)
• R-kvadrat
• Natančnost
• MAPE itd.

Povprečna kvadratna napaka (MSE)

MSE je metoda tveganja, ki nam olajša označevanje povprečne kvadratne razlike med napovedano in dejansko vrednostjo lastnosti ali spremenljivke. Izračuna se po spodnji metodi. Sintaksa je podana spodaj.

Sintaksa -

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

Parametri -

y_true -Je nizu podoben ciljne_vrednosti ali n_vzorcev.y_pred -Gre za ocenjene ciljne vrednosti.teža_vzorca (neobvezno) -Predstavlja maso vzorca.Multioutput {raw_values, uniform_average} -Določa združevanje več izhodnih vrednosti. Raw_values ​​vrne celoten nabor napak za več izhodnih vnosov, uniform_average pa je napaka vseh izhodov z enotno težo.na kvadrat -Res je, vrne vrednost MSE, sicer vrne vrednost RSME.

Vračila -

Vrne nenegativno vrednost s plavajočo vejico (najboljša vrednost je 0,0) ali niz vrednosti s plavajočo vejico, eno za vsak posamezen cilj.

Razumejmo naslednji primer.

kako velik je zaslon mojega računalnika

Primer - 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) 

Izhod:

 The difference between actual and predicted values: 1.5388307249337076 

Primer - 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) 

Izhod:

 3.15206 

Koren srednje kvadratne napake (RMSE)

RMSE je kvadratni koren vrednosti, zbrane iz funkcije srednje kvadratne napake. Pomaga nam izrisati razliko med oceno in dejansko vrednostjo parametra modela.

Z uporabo RSME lahko enostavno izmerimo učinkovitost modela.

kateri meseci so v q3

Algoritem, ki dobro deluje, je znan, če je njegov rezultat RSME nižji od 180. Kakor koli že, če vrednost RSME preseže 180, moramo uporabiti izbiro funkcij in nastavitev hiperparametrov na parametru modela.

Korenska povprečna kvadratna napaka z modulom NumPy

RSME je kvadratni koren povprečne kvadratne razlike med napovedano in dejansko vrednostjo spremenljivke/značilnosti. Poglejmo naslednjo formulo.

Razčlenimo zgornjo formulo -

S -Predstavlja 'vsoto'.d_jaz-Predstavlja predvideno vrednost za i^th str_jaz-Predstavlja predvideno vrednost za i^th n -Predstavlja velikost vzorca.

RSME bomo implementirali s funkcijami modula Numpy. Razumejmo naslednji primer.

Opomba – če vaš sistem nima knjižnic numpy in sklearn, lahko namestite s spodnjimi ukazi.

 pip install numpy pip install sklearn 

Primer -

 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) 

Izhod:

 Root Mean Square Error: 2.127439775880859 

Pojasnilo -

Razliko med predvidenimi in dejanskimi vrednostmi smo v zgornjem programu izračunali z uporabo numpy.subtract() funkcijo. Najprej smo definirali dva seznama, ki vsebujeta dejanske in predvidene vrednosti. Nato smo izračunali povprečje razlike dejanskih in predvidenih vrednosti z uporabo metode numpy squre(). Končno smo izračunali rmse.

Zaključek

V tej vadnici smo razpravljali o tem, kako izračunati povprečni kvadratni koren z uporabo Pythona z ilustracijo primera. Večinoma se uporablja za ugotavljanje točnosti danega niza podatkov. Če RSME vrne 0; to pomeni, da ni razlike med predvidenimi in opazovanimi vrednostmi.