Como calcular rmse em python

Root Mean Square Error (RMSE) é uma métrica que nos diz a que distância nossos valores previstos estão de nossos valores observados em um modelo, em média. É calculado da seguinte forma:

RMSE = √[ Σ(P _i – O _i ) ² / n ]

Ouro:

• Σ é um símbolo sofisticado que significa “soma”
• _Pi é o valor previsto para a ^i-ésima observação
• O _i é o valor observado para a ^i-ésima observação
• n é o tamanho da amostra

Este tutorial explica um método simples para calcular RMSE em Python.

Exemplo: Calcular RMSE em Python

Suponha que temos as seguintes tabelas de valores reais e previstos:

 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]

Para calcular o RMSE entre os valores reais e previstos, podemos simplesmente obter a raiz quadrada da função Mean_squared_error() da biblioteca sklearn.metrics:

 #import necessary libraries
from sklearn.metrics import mean_squared_error
from math import sqrt

#calculate RMSE
sqrt(mean_squared_error(actual, pred)) 

2.4324199198

O RMSE acabou sendo 2,4324 .

Como interpretar o RMSE

O RMSE é uma maneira útil de ver até que ponto um modelo é capaz de se ajustar a um conjunto de dados. Quanto maior o RMSE, maior será a diferença entre os valores previstos e observados, ou seja, pior o modelo se ajusta aos dados. Por outro lado, quanto menor o RMSE, melhor o modelo é capaz de ajustar os dados.

Pode ser particularmente útil comparar o RMSE de dois modelos diferentes para ver qual modelo melhor se ajusta aos dados.

Recursos adicionais

Calculadora RMSE
Como calcular o erro quadrático médio (MSE) em Python
Como calcular MAPE em Python