Cara menghitung mean square error (mse) dengan python

Mean squared error (MSE) adalah cara umum untuk mengukur akurasi prediksi suatu model. Ini dihitung sebagai berikut:

MSE = (1/n) * Σ(aktual – prediksi) ²

Emas:

• Σ – simbol mewah yang berarti “jumlah”
• n – ukuran sampel
• nyata – nilai sebenarnya dari data
• perkiraan – nilai data yang diprediksi

Semakin rendah nilai MSE, semakin akurat suatu model dalam memprediksi nilai.

Cara Menghitung UMK dengan Python

Kita dapat membuat fungsi sederhana untuk menghitung MSE dengan Python:

 import numpy as np

def mse(actual, pred): 
    actual, pred = np.array(actual), np.array(pred)
    return np.square(np.subtract(actual,pred)).mean() 

Kita kemudian dapat menggunakan fungsi ini untuk menghitung MSE untuk dua tabel: satu berisi nilai data aktual dan satu lagi berisi nilai data prediksi.

 actual = [12, 13, 14, 15, 15, 22, 27]
pred = [11, 13, 14, 14, 15, 16, 18]

mse(actual, pred)

17.0

Mean square error (MSE) model ini ternyata 17,0 .

Dalam praktiknya, root mean square error (RMSE) lebih umum digunakan untuk mengevaluasi akurasi model. Seperti namanya, ini hanyalah akar kuadrat dari kesalahan kuadrat rata-rata.

Kita dapat mendefinisikan fungsi serupa untuk menghitung RMSE:

 import numpy as np

def rmse(actual, pred): 
    actual, pred = np.array(actual), np.array(pred)
    return np.sqrt(np.square(np.subtract(actual,pred)).mean())

Kita kemudian dapat menggunakan fungsi ini untuk menghitung RMSE untuk dua tabel: satu berisi nilai data aktual dan satu lagi berisi nilai data prediksi.

 actual = [12, 13, 14, 15, 15, 22, 27]
pred = [11, 13, 14, 14, 15, 16, 18]

rmse(actual, pred)

4.1231

Root mean square error (RMSE) model ini ternyata 4,1231 .

Sumber daya tambahan

Kalkulator Mean Square Error (MSE).
Cara Menghitung Mean Square Error (MSE) di Excel