Python တွင် mean square error (mse) ကို တွက်ချက်နည်း

Mean squared error (MSE) သည် မော်ဒယ်တစ်ခု၏ ခန့်မှန်းတိကျမှုကို တိုင်းတာရန် ဘုံနည်းလမ်းတစ်ခုဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။

MSE = (1/n) * Σ(အမှန်တကယ် ခန့်မှန်းချက်) ^၂

ရွှေ-

• ∑ – “ပေါင်း” ဟု အဓိပ္ပာယ်ရသော ဖန်စီသင်္ကေတ
• n – နမူနာအရွယ်အစား
• real – ဒေတာ၏ အမှန်တကယ်တန်ဖိုး
• ခန့်မှန်းချက် – ခန့်မှန်းထားသောဒေတာတန်ဖိုး

MSE တန်ဖိုးနိမ့်လေ၊ မော်ဒယ်တစ်ခုသည် တန်ဖိုးများကို ပိုမိုတိကျစွာ ခန့်မှန်းနိုင်လေဖြစ်သည်။

Python တွင် MSE တွက်ချက်နည်း

Python တွင် MSE ကိုတွက်ချက်ရန် ရိုးရှင်းသောလုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့ဖန်တီးနိုင်သည်-

 import numpy as np

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

ထို့နောက် ကျွန်ုပ်တို့သည် MSE ကို ဇယားနှစ်ခုအတွက် တွက်ချက်ရန် ဤလုပ်ဆောင်ချက်ကို သုံးနိုင်သည်- အမှန်တကယ် ဒေတာတန်ဖိုးများပါရှိသော တစ်ခုနှင့် ခန့်မှန်းထားသည့် ဒေတာတန်ဖိုးများပါရှိသော တစ်ခု။

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

mse(actual, pred)

17.0

ဤမော်ဒယ်၏ပျမ်းမျှစတုရန်းအမှားအယွင်း (MSE) သည် 17.0 ဖြစ်လာသည်။

လက်တွေ့တွင်၊ မော်ဒယ်တိကျမှုကို အကဲဖြတ်ရန် root mean square error (RMSE) ကို ပို၍အသုံးများသည်။ နာမည်အကြံပြုထားသည့်အတိုင်း၊ ၎င်းသည် mean square error ၏ နှစ်ထပ်ကိန်းဖြစ်သည်။

RMSE တွက်ချက်ရန် အလားတူလုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့ သတ်မှတ်နိုင်သည်-

 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())

ထို့နောက် ကျွန်ုပ်တို့သည် ဇယားနှစ်ခုအတွက် RMSE ကို တွက်ချက်ရန် ဤလုပ်ဆောင်ချက်ကို သုံးနိုင်သည်- အမှန်တကယ် ဒေတာတန်ဖိုးများပါရှိသော တစ်ခုနှင့် ခန့်မှန်းထားသည့် ဒေတာတန်ဖိုးများပါရှိသော တစ်ခု။

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

rmse(actual, pred)

4.1231

ဤမော်ဒယ်၏ root mean square error (RMSE) သည် 4.1231 ဖြစ်သွားသည်။

ထပ်လောင်းအရင်းအမြစ်များ

Mean Square Error (MSE) Calculator
Excel တွင် Mean Square Error (MSE) ကို တွက်ချက်နည်း