วิธีการคำนวณ rmse ใน python

Root Mean Square Error (RMSE) เป็นตัวชี้วัดที่บอกเราว่าค่าที่คาดการณ์ของเรานั้นอยู่ห่างจากค่าที่สังเกตได้ในแบบจำลองโดยเฉลี่ยเท่าใด มีการคำนวณดังนี้:

RMSE = √[ Σ(P _ผม – O _ผม ) ² / n ]

ทอง:

• Σ เป็นสัญลักษณ์แฟนซีที่หมายถึง “ผลรวม”
• P _i คือค่าที่ทำนายไว้สำหรับการสังเกต ^{ครั้งที่ 3}
• O _i คือค่าที่สังเกตได้สำหรับการสังเกต ^{ที่ i}
• n คือขนาดตัวอย่าง

บทช่วยสอนนี้จะอธิบายวิธีการง่ายๆ ในการคำนวณ RMSE ใน Python

ตัวอย่าง: คำนวณ RMSE ใน Python

สมมติว่าเรามีตารางค่าตามจริงและค่าที่ทำนายไว้ดังต่อไปนี้:

 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]

ในการคำนวณ RMSE ระหว่างค่าจริงและค่าที่คาดการณ์ เราสามารถใช้รากที่สองของ ฟังก์ชัน Mean_squared_error() จากไลบรารี 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

RMSE กลายเป็น 2.4324

วิธีการตีความ RMSE

RMSE เป็นวิธีที่มีประโยชน์ในการดูว่าโมเดลสามารถใส่ชุดข้อมูลได้ดีเพียงใด ยิ่ง RMSE มีขนาดใหญ่เท่าใด ความแตกต่างระหว่างค่าที่คาดการณ์กับค่าที่สังเกตได้ก็จะยิ่งมากขึ้น ซึ่งหมายความว่าโมเดลจะเข้ากับข้อมูลได้แย่ลง ในทางกลับกัน ยิ่ง RMSE มีขนาดเล็ก โมเดลก็ยิ่งสามารถใส่ข้อมูลได้ดีขึ้นเท่านั้น

อาจมีประโยชน์อย่างยิ่งในการเปรียบเทียบ RMSE ของโมเดลสองโมเดลที่แตกต่างกันเพื่อดูว่าโมเดลใดเหมาะสมกับข้อมูลมากที่สุด

แหล่งข้อมูลเพิ่มเติม

เครื่องคิดเลข RMSE
วิธีการคำนวณ Mean Square Error (MSE) ใน Python
วิธีการคำนวณ MAPE ใน Python