<\/p>\n
Jednym ze sposob\u00f3w oceny, jak dobrze model regresji<\/a> pasuje do zbioru danych, jest obliczenie b\u0142\u0119du \u015bredniokwadratowego<\/strong> , kt\u00f3ry m\u00f3wi nam \u015bredni\u0105 odleg\u0142o\u015b\u0107 mi\u0119dzy warto\u015bciami przewidywanymi modelu a rzeczywistymi warto\u015bciami zbioru danych. dane.<\/span><\/p>\n Wz\u00f3r na znalezienie b\u0142\u0119du \u015bredniokwadratowego, cz\u0119sto w skr\u00f3cie RMSE<\/strong> , jest nast\u0119puj\u0105cy:<\/span><\/p>\n RMSE =<\/strong> \u221a \u03a3(P ja<\/sub> \u2013 O ja<\/sub> ) 2<\/sup> \/ n<\/span><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Ludzie cz\u0119sto zadaj\u0105 pytanie: jaka jest dobra warto\u015b\u0107 RMSE?<\/strong><\/span><\/p>\n Kr\u00f3tka odpowied\u017a: to zale\u017cy<\/strong> .<\/span><\/p>\n Im ni\u017cszy RMSE, tym lepiej dany model jest w stanie \u201edopasowa\u0107\u201d zbi\u00f3r danych. Jednak\u017ce zakres zbioru danych, z kt\u00f3rym pracujesz, jest wa\u017cny przy ustalaniu, czy dana warto\u015b\u0107 RMSE jest \u201eniska\u201d, czy nie.<\/span><\/p>\n Rozwa\u017cmy na przyk\u0142ad nast\u0119puj\u0105ce scenariusze:<\/span><\/p>\n Scenariusz 1:<\/strong> Chcieliby\u015bmy zastosowa\u0107 model regresji do przewidzenia ceny dom\u00f3w w okre\u015blonym mie\u015bcie. Za\u0142\u00f3\u017cmy, \u017ce model ma warto\u015b\u0107 RMSE wynosz\u0105c\u0105 500 USD. Poniewa\u017c typowy przedzia\u0142 cenowy domu wynosi od 70 000 do 300 000 dolar\u00f3w, warto\u015b\u0107 RMSE jest wyj\u0105tkowo niska. M\u00f3wi nam to, \u017ce model jest w stanie dok\u0142adnie przewidzie\u0107 ceny nieruchomo\u015bci.<\/span><\/p>\n Scenariusz 2:<\/strong> Za\u0142\u00f3\u017cmy teraz, \u017ce chcemy u\u017cy\u0107 modelu regresji, aby przewidzie\u0107, ile dana osoba wyda miesi\u0119cznie w okre\u015blonym mie\u015bcie. Za\u0142\u00f3\u017cmy, \u017ce model ma warto\u015b\u0107 RMSE wynosz\u0105c\u0105 500 USD. Je\u015bli typowy miesi\u0119czny zakres wydatk\u00f3w wynosi od 1500 do 4000 dolar\u00f3w, warto\u015b\u0107 RMSE jest do\u015b\u0107 wysoka. To m\u00f3wi nam, \u017ce model nie jest w stanie przewidzie\u0107 miesi\u0119cznych wydatk\u00f3w z du\u017c\u0105 dok\u0142adno\u015bci\u0105.<\/span><\/p>\n Te proste przyk\u0142ady pokazuj\u0105, \u017ce nie ma uniwersalnej \u201edobrej\u201d warto\u015bci RMSE. Wszystko zale\u017cy od zakresu warto\u015bci zbioru danych, z kt\u00f3rym pracujesz.<\/span><\/p>\n Jednym ze sposob\u00f3w lepszego zrozumienia, czy dana warto\u015b\u0107 RMSE jest \u201edobra\u201d, jest jej normalizacja za pomoc\u0105 nast\u0119puj\u0105cego wzoru:<\/span><\/p>\n Znormalizowany RMSE = RMSE \/ (warto\u015b\u0107 maksymalna \u2013 warto\u015b\u0107 minimalna)<\/span><\/p>\n Daje to warto\u015b\u0107 z zakresu od 0 do 1, gdzie warto\u015bci bli\u017csze 0 reprezentuj\u0105 modele lepiej dopasowane.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce nasza warto\u015b\u0107 RMSE wynosi 500 USD, a nasz zakres warto\u015bci wynosi od 70 000 do 300 000 USD. Znormalizowan\u0105 warto\u015b\u0107 RMSE obliczyliby\u015bmy w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n I odwrotnie, za\u0142\u00f3\u017cmy, \u017ce nasza warto\u015b\u0107 RMSE wynosi 500 USD, a nasz zakres warto\u015bci wynosi od 1500 do 4000 USD. Znormalizowan\u0105 warto\u015b\u0107 RMSE obliczyliby\u015bmy w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Pierwsza znormalizowana warto\u015b\u0107 RMSE jest znacznie ni\u017csza, co wskazuje, \u017ce zapewnia znacznie lepsze dopasowanie do danych w por\u00f3wnaniu z drug\u0105 znormalizowan\u0105 warto\u015bci\u0105 RMSE.<\/span><\/p>\n Zamiast wybiera\u0107 dowoln\u0105 liczb\u0119 reprezentuj\u0105c\u0105 \u201edobr\u0105\u201d warto\u015b\u0107 RMSE, mo\u017cemy po prostu por\u00f3wna\u0107 warto\u015bci RMSE wielu modeli.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce dopasowujemy trzy r\u00f3\u017cne modele regresji, aby przewidzie\u0107 ceny nieruchomo\u015bci. Za\u0142\u00f3\u017cmy, \u017ce trzy modele maj\u0105 nast\u0119puj\u0105ce warto\u015bci RMSE:<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 RMSE Modelu 2 jest najni\u017csza, wybrali\u015bmy Model 2 jako najlepszy model do przewidywania cen nieruchomo\u015bci, poniewa\u017c \u015brednia odleg\u0142o\u015b\u0107 mi\u0119dzy cenami przewidywanymi a rzeczywistymi jest dla tego modelu najni\u017csza.<\/span><\/p>\n Jak interpretowa\u0107 RMSE<\/a> Jednym ze sposob\u00f3w oceny, jak dobrze model regresji pasuje do zbioru danych, jest obliczenie b\u0142\u0119du \u015bredniokwadratowego , kt\u00f3ry m\u00f3wi nam \u015bredni\u0105 odleg\u0142o\u015b\u0107 mi\u0119dzy warto\u015bciami przewidywanymi modelu a rzeczywistymi warto\u015bciami zbioru danych. dane. Wz\u00f3r na znalezienie b\u0142\u0119du \u015bredniokwadratowego, cz\u0119sto w skr\u00f3cie RMSE , jest nast\u0119puj\u0105cy: RMSE = \u221a \u03a3(P ja \u2013 O ja ) 2 \/ […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1717","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Normalizacja warto\u015bci RMSE<\/strong><\/span><\/h3>\n
\n
\n
Por\u00f3wnanie RMSE pomi\u0119dzy modelami<\/strong><\/span><\/h3>\n
\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 RMSE w Excelu<\/a>
Jak obliczy\u0107 RMSE w R<\/a>
Jak obliczy\u0107 RMSE w Pythonie<\/a>
Kalkulator RMSE<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"