Ilekro\u0107 dopasowujemy model regresji, chcemy zrozumie\u0107, jak dobrze model jest w stanie wykorzysta\u0107 warto\u015bci zmiennych predykcyjnych do przewidzenia warto\u015bci zmiennej odpowiedzi.<\/span><\/p>\n Dwie metryki, kt\u00f3rych cz\u0119sto u\u017cywamy do ilo\u015bciowego okre\u015blenia dopasowania modelu do zbioru danych, to b\u0142\u0105d \u015bredniokwadratowy (MSE) i b\u0142\u0105d \u015bredniokwadratowy (RMSE), kt\u00f3re oblicza si\u0119 w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n MSE<\/strong> : Metryka, kt\u00f3ra informuje nas o \u015bredniej kwadratowej r\u00f3\u017cnicy mi\u0119dzy warto\u015bciami przewidywanymi a warto\u015bciami rzeczywistymi w zbiorze danych. Im ni\u017cszy wsp\u00f3\u0142czynnik MSE, tym lepiej model pasuje do zbioru danych.<\/span><\/p>\n MSE = \u03a3(\u0177 ja<\/sub> \u2013 y ja<\/sub> ) 2<\/sup> \/ n<\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n RMSE<\/strong> : Metryka, kt\u00f3ra informuje nas o pierwiastku kwadratowym \u015bredniej kwadratowej r\u00f3\u017cnicy mi\u0119dzy warto\u015bciami przewidywanymi a warto\u015bciami rzeczywistymi w zbiorze danych. Im ni\u017cszy RMSE, tym lepiej model pasuje do zbioru danych.<\/span><\/p>\n Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n RMSE = \u221a \u03a3(\u0177 ja<\/sub> \u2013 y ja<\/sub> ) 2<\/sup> \/ n<\/span><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce formu\u0142y s\u0105 prawie identyczne. W rzeczywisto\u015bci b\u0142\u0105d \u015bredniokwadratowy to po prostu pierwiastek kwadratowy b\u0142\u0119du \u015bredniokwadratowego.<\/span><\/p>\n Aby oceni\u0107, jak dobrze model pasuje do zbioru danych, cz\u0119\u015bciej u\u017cywamy RMSE<\/strong> , poniewa\u017c jest on mierzony w tych samych jednostkach, co zmienna odpowiedzi.<\/span><\/p>\n I odwrotnie, MSE mierzy si\u0119 w jednostkach kwadratowych zmiennej odpowiedzi.<\/span><\/p>\n Aby to zilustrowa\u0107, za\u0142\u00f3\u017cmy, \u017ce u\u017cywamy modelu regresji do przewidzenia, ile punkt\u00f3w zdob\u0119dzie 10 graczy w meczu koszyk\u00f3wki.<\/span><\/p>\n Poni\u017csza tabela przedstawia punkty przewidywane przez model w por\u00f3wnaniu z rzeczywistymi punktami zdobytymi przez graczy:<\/span> <\/p>\n Obliczamy b\u0142\u0105d \u015bredniokwadratowy (MSE) w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Pierwiastek b\u0142\u0119du \u015bredniokwadratowego wynosi 16.<\/strong> M\u00f3wi nam to, \u017ce \u015brednia kwadratowa r\u00f3\u017cnicy mi\u0119dzy warto\u015bciami przewidywanymi przez model a warto\u015bciami rzeczywistymi wynosi 16.<\/span><\/p>\n Pierwiastek b\u0142\u0119du \u015bredniokwadratowego (RMSE) by\u0142by po prostu pierwiastkiem kwadratowym z MSE:<\/span><\/p>\n \u015aredni b\u0142\u0105d kwadratowy wynosi 4.<\/strong> M\u00f3wi nam to, \u017ce \u015brednie odchylenie mi\u0119dzy przewidywanymi zdobytymi punktami a faktycznie zdobytymi punktami wynosi 4.<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce interpretacja b\u0142\u0119du \u015bredniokwadratowego jest znacznie prostsza ni\u017c b\u0142\u0119du \u015bredniokwadratowego, poniewa\u017c m\u00f3wimy o \u201ezdobytych punktach\u201d, a nie o \u201epunktach zdobytych do kwadratu\u201d.<\/span><\/span><\/p>\n W praktyce zazwyczaj dopasowujemy modele regresji wielokrotnej do zbioru danych i obliczamy \u015bredni b\u0142\u0105d kwadratowy (RMSE) ka\u017cdego modelu.<\/span><\/p>\n Nast\u0119pnie wybieramy model o najni\u017cszej warto\u015bci RMSE jako model \u201enajlepszy\u201d, poniewa\u017c to on daje przewidywania najbli\u017csze warto\u015bciom rzeczywistym w zbiorze danych.<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce mo\u017cemy r\u00f3wnie\u017c por\u00f3wna\u0107 warto\u015bci MSE ka\u017cdego modelu, ale RMSE jest prostsze w interpretacji i dlatego jest cz\u0119\u015bciej stosowane.<\/span><\/p>\n Wprowadzenie do wielokrotnej regresji liniowej<\/a> Modele regresji s\u0142u\u017c\u0105 do ilo\u015bciowego okre\u015blenia zwi\u0105zku mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych azmienn\u0105 odpowiedzi . Ilekro\u0107 dopasowujemy model regresji, chcemy zrozumie\u0107, jak dobrze model jest w stanie wykorzysta\u0107 warto\u015bci zmiennych predykcyjnych do przewidzenia warto\u015bci zmiennej odpowiedzi. Dwie metryki, kt\u00f3rych cz\u0119sto u\u017cywamy do ilo\u015bciowego okre\u015blenia dopasowania modelu do zbioru danych, to b\u0142\u0105d \u015bredniokwadratowy (MSE) […]<\/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-2249","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
\n
RMSE vs. MSE: Kt\u00f3rego wska\u017anika nale\u017cy u\u017cy\u0107?<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mse_1.png\")
<\/p>\n\n
\n
Jak wykorzysta\u0107 RMSE w praktyce<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/span><\/strong><\/span><\/h3>\n
RMSE a R-kwadrat: jakiego wska\u017anika nale\u017cy u\u017cy\u0107?<\/a>
Kalkulator RMSE<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"