Python တွင် rmse တွက်ချက်နည်း

Root Mean Square Error (RMSE) သည် ပျမ်းမျှအားဖြင့် မော်ဒယ်တစ်ခုရှိ ကျွန်ုပ်တို့၏ ခန့်မှန်းထားသော တန်ဖိုးများ မည်မျှဝေးသည်ကို ပြောပြသော မက်ထရစ်တစ်ခုဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။

RMSE = √[ Σ(P _i – O _i ) ² / n ]

ရွှေ-

• ∑ သည် “ပေါင်း” ဟု အဓိပ္ပါယ်ရသော ဖန်စီသင်္ကေတတစ်ခုဖြစ်သည်။
• P _i သည် ^IT Observation အတွက် ခန့်မှန်းတန်ဖိုးဖြစ်သည်။
• O _i သည် ^ith observation အတွက် မှတ်သားထားသော တန်ဖိုးဖြစ်သည်။
• n သည် နမူနာအရွယ်အစားဖြစ်သည်။

ဤသင်ခန်းစာတွင် Python တွင် RMSE တွက်ချက်ရန် ရိုးရှင်းသောနည်းလမ်းကို ရှင်းပြထားသည်။

ဥပမာ- Python တွင် RMSE တွက်ချက်ပါ။

ကျွန်ုပ်တို့တွင် အမှန်တကယ်နှင့် ခန့်မှန်းထားသော တန်ဖိုးများ၏ အောက်ပါဇယားများရှိသည်ဆိုပါစို့။

 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]

အမှန်တကယ်နှင့် ခန့်မှန်းထားသော တန်ဖိုးများအကြား RMSE ကို တွက်ချက်ရန်၊ ကျွန်ုပ်တို့သည် Mean_squared_error() လုပ်ဆောင်ချက် ၏ နှစ်ထပ်ကိန်းကို sklearn.metrics စာကြည့်တိုက်မှ ရယူနိုင်ပါသည်။

 #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 သည် 2.4324 ဖြစ်လာသည်။

RMSE ကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်မလဲ။

RMSE သည် မော်ဒယ်တစ်ခုသည် ဒေတာအစုံနှင့် အံဝင်ခွင်ကျ မည်မျှ ကောင်းမွန်သည်ကို ကြည့်ရှုရန် အသုံးဝင်သော နည်းလမ်းတစ်ခုဖြစ်သည်။ RMSE ကြီးလေလေ၊ ခန့်မှန်းထားသည့်တန်ဖိုးများနှင့် စောင့်ကြည့်လေ့လာထားသော တန်ဖိုးများအကြား ကွာခြားလေလေ၊ မော်ဒယ်သည် ဒေတာနှင့် ကိုက်ညီလေလေ ပိုဆိုးလေဖြစ်သည်။ အပြန်အလှန်အားဖြင့်၊ RMSE သေးငယ်လေ၊ မော်ဒယ်သည် ဒေတာကို အံဝင်ခွင်ကျဖြစ်စေနိုင်လေဖြစ်သည်။

ဒေတာနှင့်အကိုက်ညီဆုံးမော်ဒယ်နှစ်ခု၏ RMSE ကိုနှိုင်းယှဉ်ရန် အထူးအသုံးဝင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

RMSE ဂဏန်းတွက်စက်
Python တွင် Mean Square Error (MSE) ကို တွက်ချက်နည်း
Python တွင် MAPE တွက်ချက်နည်း