पायथन में आरएमएसई की गणना कैसे करें

रूट मीन स्क्वायर एरर (आरएमएसई) एक मीट्रिक है जो हमें बताता है कि हमारे अनुमानित मूल्य एक मॉडल में हमारे देखे गए मूल्यों से औसतन कितनी दूर हैं। इसकी गणना इस प्रकार की जाती है:

आरएमएसई = √[ Σ(पी _आई – ओ _आई ) ² / एन ]

सोना:

• Σ एक फैंसी प्रतीक है जिसका अर्थ है “योग”
• P _i, ^ith अवलोकन के लिए अनुमानित मान है
• O _{i i} ^वें अवलोकन के लिए प्रेक्षित मान है
• n नमूना आकार है

यह ट्यूटोरियल पायथन में आरएमएसई की गणना करने की एक सरल विधि बताता है।

उदाहरण: पायथन में आरएमएसई की गणना करें

मान लीजिए हमारे पास वास्तविक और अनुमानित मूल्यों की निम्नलिखित तालिकाएँ हैं:

 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]

वास्तविक और अनुमानित मूल्यों के बीच आरएमएसई की गणना करने के लिए, हम बस sklearn.metrics लाइब्रेरी से Mean_squared_error() फ़ंक्शन का वर्गमूल ले सकते हैं :

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

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

2.4324199198

आरएमएसई 2.4324 निकला।

आरएमएसई की व्याख्या कैसे करें

आरएमएसई यह देखने का एक उपयोगी तरीका है कि कोई मॉडल किसी डेटा सेट को कितनी अच्छी तरह फिट करने में सक्षम है। आरएमएसई जितना बड़ा होगा, पूर्वानुमानित और देखे गए मूल्यों के बीच अंतर उतना ही अधिक होगा, जिसका अर्थ है कि मॉडल डेटा में उतना ही खराब फिट बैठता है। इसके विपरीत, आरएमएसई जितना छोटा होगा, मॉडल डेटा को फिट करने में उतना ही बेहतर सक्षम होगा।

यह देखने के लिए कि कौन सा मॉडल डेटा के लिए सबसे उपयुक्त है, दो अलग-अलग मॉडलों के आरएमएसई की तुलना करना विशेष रूप से उपयोगी हो सकता है।

अतिरिक्त संसाधन

आरएमएसई कैलकुलेटर
पायथन में माध्य वर्ग त्रुटि (MSE) की गणना कैसे करें
पायथन में एमएपीई की गणना कैसे करें