Mse vs. rmse- ဘယ် metric ကို သုံးသင့်သလဲ။

ဆုတ်ယုတ်မှုပုံစံများကို တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင် တစ်ခုအကြား ဆက်နွယ်မှုကို အရေအတွက်သတ်မှတ်ရန်အတွက် အသုံးပြုသည်။

ကျွန်ုပ်တို့သည် ဆုတ်ယုတ်မှုပုံစံတစ်ခုကို အံဝင်ခွင်ကျဖြစ်စေသည့်အခါတိုင်း၊ တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးကို ခန့်မှန်းရန် တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးများကို ခန့်မှန်းရန်အတွက် မော်ဒယ်သည် ခန့်မှန်းသူကိန်းရှင်များ၏ တန်ဖိုးများကို မည်မျှကောင်းစွာအသုံးပြုနိုင်သည်ကို ကျွန်ုပ်တို့နားလည်လိုပါသည်။

မော်ဒယ်တစ်ခုသည် ဒေတာအစုံနှင့် ကိုက်ညီမှုအား တွက်ချက်ရန်အတွက် ကျွန်ုပ်တို့မကြာခဏအသုံးပြုလေ့ရှိသည့် မက်ထရစ်နှစ်ခုမှာ ပျမ်းမျှစတုရန်းအမှား (MSE) နှင့် အောက်ပါအတိုင်းတွက်ချက်ထားသည့် root mean square error (RMSE) ဖြစ်သည်-

MSE : ဒေတာအတွဲတစ်ခုရှိ ခန့်မှန်းတန်ဖိုးများနှင့် အမှန်တကယ်တန်ဖိုးများကြားတွင် ကိန်းဂဏန်းစတုရန်းကွာခြားချက်ကို ပြောပြသော မက်ထရစ်တစ်ခု။ MSE နိမ့်လေ၊ မော်ဒယ်တစ်ခုသည် ဒေတာအစုံနှင့် ကိုက်ညီလေလေဖြစ်သည်။

MSE = Σ(ŷ _i – y _i ) ² / n

ရွှေ-

• ∑ သည် “ပေါင်း” ဟူသော သင်္ကေတတစ်ခုဖြစ်သည်။
• ŷ _i သည် i ^th observation အတွက် ခန့်မှန်းတန်ဖိုးဖြစ်သည်။
• y _i သည် ^ith observation အတွက် မှတ်သားထားသောတန်ဖိုးဖြစ်သည်။
• n သည် နမူနာအရွယ်အစားဖြစ်သည်။

RMSE : ခန့်မှန်းတန်ဖိုးများနှင့် ဒေတာအတွဲတစ်ခုရှိ အမှန်တကယ်တန်ဖိုးများကြားတွင် ခန့်မှန်းတန်ဖိုးများနှင့် ကိန်းဂဏန်းများအကြား နှစ်ထပ်ကိန်းအမြစ်၏ နှစ်ထပ်ကိန်းကို ပြောပြသော မက်ထရစ်တစ်ခု။ RMSE နိမ့်လေ၊ မော်ဒယ်တစ်ခုသည် ဒေတာအစုံနှင့် ကိုက်ညီလေလေဖြစ်သည်။

အောက်ပါအတိုင်း တွက်ချက်သည်။

RMSE = √ Σ(ŷ _i – y _i ) ² / n

ရွှေ-

• ∑ သည် “ပေါင်း” ဟူသော သင်္ကေတတစ်ခုဖြစ်သည်။
• ŷ _i သည် i ^th observation အတွက် ခန့်မှန်းတန်ဖိုးဖြစ်သည်။
• y _i သည် ^ith observation အတွက် မှတ်သားထားသောတန်ဖိုးဖြစ်သည်။
• n သည် နမူနာအရွယ်အစားဖြစ်သည်။

ဖော်မြူလာများသည် တူညီလုနီးပါးဖြစ်ကြောင်း သတိပြုပါ။ တကယ်တော့၊ mean square error သည် mean square error ၏ နှစ်ထပ်ကိန်းမျှသာဖြစ်သည်။

RMSE နှင့် MSE – ဘယ် Metric ကို သုံးသင့်လဲ။

မော်ဒယ်တစ်ခုသည် ဒေတာအတွဲတစ်ခုနှင့် ကိုက်ညီမှု မည်မျှကောင်းမွန်ကြောင်း အကဲဖြတ်ရန်၊ ၎င်းကို တုံ့ပြန်မှုကိန်းရှင်နှင့် တူညီသောယူနစ်များဖြင့် တိုင်းတာသောကြောင့် RMSE ကို ပို၍အသုံးပြုလေ့ရှိပါသည် ။

အပြန်အလှန်အားဖြင့် MSE ကို တုံ့ပြန်မှုကိန်းရှင်၏ စတုရန်းယူနစ်ဖြင့် တိုင်းတာသည်။

ယင်းကို သရုပ်ဖော်ရန်၊ ကျွန်ုပ်တို့သည် ဘတ်စကက်ဘောဂိမ်းတစ်ခုတွင် ကစားသမား 10 အမှတ်မည်မျှရနိုင်သည်ကို ခန့်မှန်းရန် ဆုတ်ယုတ်မှုပုံစံကို အသုံးပြုသည်ဆိုပါစို့။

အောက်ဖော်ပြပါဇယားသည် ကစားသမားများမှ ရရှိသည့်အမှန်တကယ်ရမှတ်များနှင့် မော်ဒယ်မှ ခန့်မှန်းထားသော အမှတ်များကို ပြသသည်-

ကျွန်ုပ်တို့သည် ပျမ်းမျှစတုရန်းအမှား (MSE) ကို အောက်ပါအတိုင်း တွက်ချက်ပါမည်။

• MSE = Σ(ŷ _i – y _i ) ² / n
• MSE = ((14-12) ² +(15-15) ² +(18-20) ² +(19-16) ² +(25-20) ² +(18-19) ² +(12-16) ² +(12-20) ² +(15-16) ² +(22-16) ² ) / 10
• MSE = ၁၆

root mean square error သည် 16 ဖြစ်သည်။ ၎င်းသည် model မှ ခန့်မှန်းထားသော တန်ဖိုးများနှင့် အမှန်တကယ်တန်ဖိုးများကြားတွင် root mean square ကွာခြားချက်မှာ 16 ဖြစ်သည်။

root mean square error (RMSE) သည် MSE ၏ နှစ်ထပ်ကိန်းဖြစ်နိုင်သည်-

• ADE = √ EQM
• RMSE = √ ၁၆
• RMSE = 4

ပျမ်းမျှစတုရန်းအမှားသည် 4 ဖြစ်သည်။ ၎င်းသည် ခန့်မှန်းရမှတ်များနှင့် အမှန်တကယ်ရမှတ်များအကြား ပျမ်းမျှသွေဖည်မှုမှာ 4 ဖြစ်သည်ကို ပြောပြသည်။

ကျွန်ုပ်တို့သည် “ ရမှတ်များ” နှင့် “ ရမှတ်နှစ်ထပ်ကိန်း” နှင့်ဆန့်ကျင်ဘက်ဖြစ်သော “ ရမှတ်များ” အကြောင်းပြောနေသောကြောင့် ဆိုလိုရင်းနှစ်ထပ်အမှားကို အဓိပ္ပာယ်ပြန်ဆိုခြင်းသည် နှစ်ထပ်ကိန်းအမှားထက် များစွာရိုးရှင်းကြောင်း သတိပြုပါ။

လက်တွေ့မှာ RMSE ကို ဘယ်လိုသုံးမလဲ။

လက်တွေ့တွင်၊ ကျွန်ုပ်တို့သည် ပုံမှန်အားဖြင့် များစွာသော ဆုတ်ယုတ်မှုပုံစံများကို ဒေတာအတွဲတစ်ခုနှင့် ကိုက်ညီစေပြီး မော်ဒယ်တစ်ခုစီ၏ root mean square error (RMSE) ကို တွက်ချက်ပါသည်။

ထို့နောက် ကျွန်ုပ်တို့သည် အနိမ့်ဆုံး RMSE တန်ဖိုးရှိသော မော်ဒယ်ကို “ အကောင်းဆုံး” မော်ဒယ်အဖြစ် ရွေးချယ်သည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် ဒေတာအတွဲရှိ အမှန်တကယ်တန်ဖိုးများနှင့် ခန့်မှန်းချက်များကို အနီးစပ်ဆုံးပြုလုပ်ပေးသောကြောင့် ဖြစ်ပါသည်။

မော်ဒယ်တစ်ခုစီ၏ MSE တန်ဖိုးများကိုလည်း နှိုင်းယှဉ်နိုင်သည်ကို သတိပြုပါ၊ သို့သော် RMSE သည် အဓိပ္ပာယ်ဖွင့်ဆိုရန် ပိုရိုးရှင်းပြီး ထို့ကြောင့် မကြာခဏ အသုံးပြုပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

Multiple Linear Regression အကြောင်း နိဒါန်း
RMSE နှင့် R-Squared- မည်သည့် Metric ကို သင်အသုံးပြုသင့်သနည်း။
RMSE ဂဏန်းတွက်စက်