<\/p>\n
Mean Squared Error (MSE)<\/strong> is een gebruikelijke manier om de voorspellingsnauwkeurigheid van een model te meten. Het wordt als volgt berekend:<\/span><\/p>\n MSE<\/strong> = (1\/n) * \u03a3(werkelijk \u2013 voorspelling) 2<\/sup><\/span><\/p>\n Goud:<\/span><\/p>\n Hoe lager de MSE-waarde, hoe nauwkeuriger een model waarden kan voorspellen.<\/span><\/p>\n We kunnen een eenvoudige functie maken om MSE in Python te berekenen:<\/span><\/p>\n We kunnen deze functie vervolgens gebruiken om de MSE voor twee tabellen te berekenen: een die de werkelijke gegevenswaarden bevat en een die de voorspelde gegevenswaarden bevat.<\/span><\/p>\n De gemiddelde kwadratische fout (MSE) van dit model blijkt 17,0<\/strong> te zijn.<\/span><\/p>\n In de praktijk wordt de root mean square error (RMSE)<\/strong> vaker gebruikt om de nauwkeurigheid van het model te evalueren. Zoals de naam al doet vermoeden, is het eenvoudigweg de vierkantswortel van de gemiddelde kwadratische fout.<\/span><\/p>\n We kunnen een soortgelijke functie defini\u00ebren om de RMSE te berekenen:<\/span><\/p>\n We kunnen deze functie vervolgens gebruiken om de RMSE voor twee tabellen te berekenen: \u00e9\u00e9n die de werkelijke gegevenswaarden bevat en \u00e9\u00e9n die de voorspelde gegevenswaarden bevat.<\/span><\/p>\n De root mean square error (RMSE) van dit model blijkt 4,1231<\/strong> te zijn.<\/span><\/p>\n Rekenmachine voor de gemiddelde kwadratische fout (MSE).<\/a> Mean Squared Error (MSE) is een gebruikelijke manier om de voorspellingsnauwkeurigheid van een model te meten. Het wordt als volgt berekend: MSE = (1\/n) * \u03a3(werkelijk \u2013 voorspelling) 2 Goud: \u03a3 \u2013 een mooi symbool dat \u2018som\u2019 betekent n \u2013 steekproefomvang real \u2013 de werkelijke waarde van de gegevens voorspelling \u2013 de waarde van de […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-835","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Hoe MSE in Python te berekenen<\/span><\/strong><\/h3>\n
import<\/span> numpy as<\/span> np\n\ndef<\/span> mse(actual, pred): \n actual, pred = np.array(actual), np.array(pred)\n return<\/span> np.square(np.subtract(actual,pred)).mean() \n<\/strong><\/pre>\n actual = [12, 13, 14, 15, 15, 22, 27]\npred = [11, 13, 14, 14, 15, 16, 18]\n\nmse(actual, pred)\n\n17.0<\/strong><\/pre>\n
import<\/span> numpy as<\/span> np\n\ndef<\/span> rmse(actual, pred): \n actual, pred = np.array(actual), np.array(pred)\n return<\/span> np.sqrt(np.square(np.subtract(actual,pred)).mean())\n<\/strong><\/pre>\n actual = [12, 13, 14, 15, 15, 22, 27]\npred = [11, 13, 14, 14, 15, 16, 18]\n\nrmse(actual, pred)\n\n4.1231<\/strong><\/pre>\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe de gemiddelde vierkante fout (MSE) in Excel te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"