Come calcolare l'rmse in python

L’errore quadratico medio (RMSE) è una metrica che ci dice quanto distano, in media, i nostri valori previsti dai valori osservati in un modello. Viene calcolato come segue:

RMSE = √[ Σ(P _i – O _i ) ² / n ]

Oro:

• Σ è un simbolo di fantasia che significa “somma”
• _Pi è il valore previsto per l’ ^i-esima osservazione
• O _i è il valore osservato per l’ ^i-esima osservazione
• n è la dimensione del campione

Questo tutorial spiega un metodo semplice per calcolare RMSE in Python.

Esempio: calcola RMSE in Python

Supponiamo di avere le seguenti tabelle di valori effettivi e previsti:

 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]

Per calcolare l’RMSE tra i valori effettivi e quelli previsti, possiamo semplicemente prendere la radice quadrata della funzione Mean_squared_error() dalla libreria 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

L’RMSE risulta essere 2.4324 .

Come interpretare l’RMSE

RMSE è un modo utile per vedere quanto bene un modello è in grado di adattarsi a un set di dati. Maggiore è l’RMSE, maggiore è la differenza tra i valori previsti e quelli osservati, il che significa che peggiore è l’adattamento del modello ai dati. Al contrario, più piccolo è l’RMSE, migliore è la capacità del modello di adattare i dati.

Può essere particolarmente utile confrontare l’RMSE di due diversi modelli per vedere quale modello si adatta meglio ai dati.

Risorse addizionali

Calcolatore RMSE
Come calcolare l’errore quadratico medio (MSE) in Python
Come calcolare MAPE in Python