วิธีการคำนวณ mean square error (mse) ใน python

ค่าคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) เป็นวิธีทั่วไปในการวัดความแม่นยำในการทำนายของแบบจำลอง มีการคำนวณดังนี้:

MSE = (1/n) * Σ(จริง – คาดการณ์) ²

ทอง:

• Σ – สัญลักษณ์แฟนซีหมายถึง “ผลรวม”
• n – ขนาดตัวอย่าง
• real – มูลค่าที่แท้จริงของข้อมูล
• พยากรณ์ – มูลค่าของข้อมูลที่คาดการณ์

ยิ่งค่า MSE ต่ำ โมเดลก็ยิ่งสามารถทำนายค่าได้แม่นยำยิ่งขึ้น

วิธีการคำนวณ MSE ใน Python

เราสามารถสร้างฟังก์ชันง่ายๆ ในการคำนวณ MSE ใน Python ได้:

 import numpy as np

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

จากนั้นเราสามารถใช้ฟังก์ชันนี้ในการคำนวณ MSE สำหรับสองตาราง: ตารางที่มีค่าข้อมูลจริงและตารางที่มีค่าข้อมูลที่คาดการณ์ไว้

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

mse(actual, pred)

17.0

ค่าคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) ของแบบจำลองนี้กลายเป็น 17.0

ในทางปฏิบัติ ค่า Root Mean Square Error (RMSE) มักใช้ในการประเมินความแม่นยำของโมเดล ตามชื่อของมัน มันเป็นเพียงรากที่สองของค่าคลาดเคลื่อนกำลังสองเฉลี่ย

เราสามารถกำหนดฟังก์ชันที่คล้ายกันเพื่อคำนวณ RMSE ได้:

 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())

จากนั้นเราสามารถใช้ฟังก์ชันนี้เพื่อคำนวณ RMSE สำหรับสองตาราง: ตารางที่มีค่าข้อมูลจริงและตารางที่มีค่าข้อมูลที่คาดการณ์ไว้

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

rmse(actual, pred)

4.1231

ค่า Root Mean Square Error (RMSE) ของโมเดลนี้กลายเป็น 4.1231

แหล่งข้อมูลเพิ่มเติม

เครื่องคำนวณข้อผิดพลาด Mean Square (MSE)
วิธีการคำนวณข้อผิดพลาด Mean Square (MSE) ใน Excel