Este tutorial aprenderá sobre o RSME (Root Mean Square Error) e sua implementação em Python. Vamos começar com sua breve introdução.

Introdução

RSME (Root Mean Square Error) calcula a transformação entre os valores previstos por um modelo e os valores reais. Em outras palavras, é um erro na técnica de medir a precisão e a taxa de erro de qualquer algoritmo de aprendizado de máquina de um problema de regressão.

A métrica de erro nos permite rastrear a eficiência e precisão das várias matrizes. Essas matrizes são fornecidas abaixo.

• Erro quadrático médio (MSE)
• Erro Quadrático Médio da Raiz (RSME)
• R-quadrado
• Precisão
• MAPE, etc.

Erro quadrático médio (MSE)

MSE é um método de risco que nos facilita significar a diferença quadrática média entre o valor previsto e o valor real de um recurso ou variável. É calculado usando o método abaixo. A sintaxe é fornecida abaixo.

Sintaxe -

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

Parâmetros -

y_verdadeiro -É um tipo de array valores_alvo ou n_amostras.y_pred -É um valor-alvo estimado.peso_amostra (opcional) -Representa o peso da amostra.Saída múltipla {raw_values, uniform_average} -Ele define a agregação de vários valores de saída. O raw_values ​​retorna um conjunto completo de erros para entradas de múltiplas saídas e o uniform_average é um erro de todas as saídas com peso uniforme.Quadrado -Verdadeiro, retorna o valor MSE, caso contrário retorna o valor RSME.

Devoluções -

Ele retorna um valor de ponto flutuante não negativo (o melhor valor é 0,0) ou uma matriz de valores de ponto flutuante, um para cada destino individual.

Vamos entender o exemplo a seguir.

Exemplo 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) 

Saída:

 The difference between actual and predicted values: 1.5388307249337076 

Exemplo - 2:

é um personagem especial

 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) 

Saída:

 3.15206 

Erro quadrático médio raiz (RMSE)

RMSE é uma raiz quadrada do valor obtido da função de erro quadrático médio. Isso nos ajuda a traçar a diferença entre a estimativa e o valor real de um parâmetro do modelo.

Usando RSME, podemos medir facilmente a eficiência do modelo.

Um algoritmo que funciona bem é conhecido se sua pontuação RSME for inferior a 180. De qualquer forma, se o valor RSME ultrapassar 180, precisamos aplicar seleção de recursos e ajuste de hiperparâmetros no parâmetro do modelo.

Erro quadrático médio raiz com módulo NumPy

RSME é uma raiz quadrada da diferença quadrática média entre o valor previsto e o valor real da variável/recurso. Vejamos a seguinte fórmula.

Vamos analisar a fórmula acima -

o que é envio de diretório

S -Representa a 'soma'.d_eu-Representa o valor previsto para o i^º p_eu-Representa o valor previsto para o i^º n -Representa o tamanho da amostra.

Implementaremos o RSME usando as funções do módulo Numpy. Vamos entender o exemplo a seguir.

Nota - Se o seu sistema não possui bibliotecas numpy e sklearn, você pode instalar usando os comandos abaixo.

 pip install numpy pip install sklearn 

Exemplo -

 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) 

Saída:

 Root Mean Square Error: 2.127439775880859 

Explicação -

Calculamos a diferença entre os valores previstos e reais no programa acima usando numpy.subtract() função. Primeiro, definimos duas listas que contêm valores reais e previstos. Em seguida, calculamos a média da diferença entre os valores reais e previstos usando o método squre() do numpy. Finalmente calculamos o rmse.

Conclusão

Neste tutorial, discutimos como calcular a raiz quadrada média quadrada usando Python com ilustração de exemplo. É usado principalmente para encontrar a precisão de um determinado conjunto de dados. Se RSME retornar 0; isso significa que não há diferença nos valores previstos e observados.