Python'da rmse nasıl hesaplanır?

Ortalama Karekök Hata (RMSE), tahmin edilen değerlerimizin bir modelde gözlemlenen değerlerimizden ortalama olarak ne kadar uzakta olduğunu bize söyleyen bir metriktir. Aşağıdaki şekilde hesaplanır:

RMSE = √[ Σ(P _ben – Ö _ben ) ² / n ]

Altın:

• Σ “toplam” anlamına gelen süslü bir semboldür
• P _i, ^i’inci gözlem için tahmin edilen değerdir
• O _i, ^i’inci gözlem için gözlemlenen değerdir
• n örneklem büyüklüğüdür

Bu eğitimde Python’da RMSE’yi hesaplamak için basit bir yöntem açıklanmaktadır.

Örnek: Python’da RMSE’yi hesaplama

Aşağıdaki gerçek ve tahmin edilen değer tablolarına sahip olduğumuzu varsayalım:

 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]

Gerçek ve tahmin edilen değerler arasındaki RMSE’yi hesaplamak için sklearn.metrics kütüphanesinden Mean_squared_error() fonksiyonunun karekökünü alabiliriz :

 #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’nin 2,4324 olduğu ortaya çıktı.

RMSE nasıl yorumlanır?

RMSE, bir modelin bir veri kümesine ne kadar iyi uyum sağlayabildiğini görmenin yararlı bir yoludur. RMSE ne kadar büyük olursa, tahmin edilen ve gözlemlenen değerler arasındaki fark da o kadar büyük olur; bu da modelin verilere uymasının o kadar kötü olduğu anlamına gelir. Tersine, RMSE ne kadar küçük olursa model verilere o kadar iyi uyum sağlayabilir.

Hangi modelin verilere en iyi şekilde uyduğunu görmek için iki farklı modelin RMSE’sini karşılaştırmak özellikle yararlı olabilir.

Ek kaynaklar

RMSE Hesaplayıcı
Python’da Ortalama Kare Hatası (MSE) Nasıl Hesaplanır?
Python’da MAPE nasıl hesaplanır