Cara menghitung rmse dengan python

Root Mean Square Error (RMSE) adalah metrik yang memberi tahu kita seberapa jauh rata-rata nilai prediksi kita dari nilai observasi dalam suatu model. Ini dihitung sebagai berikut:

RMSE = √[ Σ(P _i – O _i ) ² / n ]

Emas:

• Σ adalah simbol mewah yang berarti “jumlah”
• P _i adalah nilai prediksi pengamatan ^ke-i
• O _i adalah nilai observasi untuk observasi ^ke-i
• n adalah ukuran sampel

Tutorial ini menjelaskan metode sederhana untuk menghitung RMSE dengan Python.

Contoh: Hitung RMSE dengan Python

Misalkan kita mempunyai tabel nilai aktual dan prediksi berikut ini:

 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]

Untuk menghitung RMSE antara nilai aktual dan prediksi, kita cukup mengambil akar kuadrat fungsi Mean_squared_error() dari pustaka 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

RMSE ternyata 2,4324 .

Bagaimana menafsirkan RMSE

RMSE adalah cara yang berguna untuk melihat seberapa baik suatu model dapat menyesuaikan dengan kumpulan data. Semakin besar RMSE, semakin besar perbedaan antara nilai prediksi dan observasi, yang berarti semakin buruk kesesuaian model dengan data. Sebaliknya, semakin kecil RMSE, maka model tersebut semakin mampu menyesuaikan dengan data.

Akan sangat berguna jika membandingkan RMSE dari dua model berbeda untuk melihat model mana yang paling sesuai dengan data.

Sumber daya tambahan

Kalkulator RMSE
Cara Menghitung Mean Square Error (MSE) dengan Python
Cara menghitung MAPE dengan Python