كيفية حساب rmse في بايثون

جذر متوسط مربع الخطأ (RMSE) هو مقياس يخبرنا بمدى اختلاف قيمنا المتوقعة عن قيمنا المرصودة في النموذج، في المتوسط. يتم حسابه على النحو التالي:

RMSE = √[ Σ(P _i – O _i ) ² / n ]

ذهب:

• Σ هو رمز خيالي يعني “المجموع”
• P _i هي القيمة المتوقعة للملاحظة ^رقم
• O _i هي القيمة المرصودة للملاحظة ^رقم
• n هو حجم العينة

يشرح هذا البرنامج التعليمي طريقة بسيطة لحساب RMSE في بايثون.

مثال: حساب RMSE في بايثون

لنفترض أن لدينا الجداول التالية للقيم الفعلية والمتوقعة:

 actual= [34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24]
pred = [37, 40, 46, 44, 46, 50, 45, 44, 34, 30, 22, 23]

لحساب RMSE بين القيم الفعلية والمتوقعة، يمكننا ببساطة أخذ الجذر التربيعي للدالة Mean_squared_error() من مكتبة sklearn.metrics:

 #import necessary libraries
from sklearn.metrics import mean_squared_error
from math import sqrt

#calculate RMSE
sqrt(mean_squared_error(actual, pred)) 

2.4324199198

وتبين أن RMSE هو 2.4324 .

كيفية تفسير RMSE

تعد RMSE طريقة مفيدة لمعرفة مدى قدرة النموذج على ملاءمة مجموعة البيانات. كلما زاد حجم RMSE، زاد الفرق بين القيم المتوقعة والمرصودة، مما يعني أنه كلما كان النموذج مناسبًا للبيانات. على العكس من ذلك، كلما كان RMSE أصغر، كلما كانت قدرة النموذج على ملاءمة البيانات أفضل.

قد يكون من المفيد بشكل خاص مقارنة RMSE لنموذجين مختلفين لمعرفة النموذج الذي يناسب البيانات بشكل أفضل.

مصادر إضافية

حاسبة RMSE
كيفية حساب متوسط الخطأ المربع (MSE) في بايثون
كيفية حساب MAPE في بايثون