<\/p>\n
K\u00f6k ortalama kare hatas\u0131 (RMSE),<\/strong> tahmin edilen de\u011ferlerimizin bir regresyon analizinde g\u00f6zlemlenen de\u011ferlerimizden ortalama olarak ne kadar uzakta oldu\u011funu bize s\u00f6yleyen bir \u00f6l\u00e7\u00fcd\u00fcr. A\u015fa\u011f\u0131daki \u015fekilde hesaplan\u0131r:<\/span><\/p>\n RMSE<\/strong> = \u221a[ \u03a3(P ben<\/sub> \u2013 \u00d6 ben<\/sub> ) 2<\/sup> \/ n ]<\/span><\/p>\n Alt\u0131n:<\/span><\/p>\n Bu e\u011fitimde R’de RMSE’yi hesaplamak i\u00e7in kullanabilece\u011finiz iki y\u00f6ntem a\u00e7\u0131klanmaktad\u0131r.<\/span><\/p>\n Ger\u00e7ek veri de\u011ferlerini i\u00e7eren bir s\u00fctuna ve tahmin edilen veri de\u011ferlerini i\u00e7eren bir s\u00fctuna sahip bir veri k\u00fcmemiz oldu\u011funu varsayal\u0131m:<\/span><\/p>\n RMSE’yi hesaplamak i\u00e7in a\u015fa\u011f\u0131daki i\u015flevi kullanabiliriz:<\/span><\/p>\n Ortalama kare hatas\u0131 2,43242’dir<\/strong> .<\/span><\/p>\n A\u015fa\u011f\u0131daki s\u00f6zdizimini kullanan Metrics<\/strong> paketindeki rmse()<\/strong> i\u015flevini kullanarak ayn\u0131 veri k\u00fcmesi i\u00e7in RMSE’yi de hesaplayabiliriz:<\/span><\/p>\n rmse (ger\u00e7ek, planlanm\u0131\u015f)<\/strong><\/span><\/p>\n Alt\u0131n:<\/span><\/p>\n \u00d6rne\u011fimizde kullanaca\u011f\u0131m\u0131z s\u00f6zdizimi \u015f\u00f6yledir:<\/span><\/p>\n Ortalama kare hatas\u0131 2,43242’dir<\/strong> ve bu, daha \u00f6nce kendi fonksiyonumuzu kullanarak hesaplad\u0131\u011f\u0131m\u0131zla e\u015fle\u015fir.<\/span><\/p>\n RMSE, bir regresyon modelinin bir veri k\u00fcmesine ne kadar iyi uyum sa\u011flayabildi\u011fini g\u00f6rmenin yararl\u0131 bir yoludur.<\/span><\/p>\n RMSE ne kadar b\u00fcy\u00fck olursa, tahmin edilen ve g\u00f6zlemlenen de\u011ferler aras\u0131ndaki fark da o kadar b\u00fcy\u00fck olur; bu da regresyon modelinin verilere uymas\u0131n\u0131n o kadar k\u00f6t\u00fc oldu\u011fu anlam\u0131na gelir. Tersine, RMSE ne kadar k\u00fc\u00e7\u00fck olursa model verilere o kadar iyi uyum sa\u011flayabilir.<\/span><\/p>\n Hangi modelin verilere en iyi \u015fekilde uydu\u011funu g\u00f6rmek i\u00e7in iki farkl\u0131 modelin RMSE’sini kar\u015f\u0131la\u015ft\u0131rmak \u00f6zellikle yararl\u0131 olabilir.<\/span><\/p>\n RMSE Hesaplay\u0131c\u0131<\/a> K\u00f6k ortalama kare hatas\u0131 (RMSE), tahmin edilen de\u011ferlerimizin bir regresyon analizinde g\u00f6zlemlenen de\u011ferlerimizden ortalama olarak ne kadar uzakta oldu\u011funu bize s\u00f6yleyen bir \u00f6l\u00e7\u00fcd\u00fcr. A\u015fa\u011f\u0131daki \u015fekilde hesaplan\u0131r: RMSE = \u221a[ \u03a3(P ben \u2013 \u00d6 ben ) 2 \/ n ] Alt\u0131n: \u03a3 “toplam” anlam\u0131na gelen s\u00fcsl\u00fc bir sembold\u00fcr P i , veri k\u00fcmesindeki i’inci g\u00f6zlem i\u00e7in […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-682","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n\n
Y\u00f6ntem 1: Kendi i\u015flevinizi yaz\u0131n<\/strong><\/span><\/h3>\n
#create dataset<\/span>\ndata <- data.frame(actual=c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24),\n predicted=c(37, 40, 46, 44, 46, 50, 45, 44, 34, 30, 22, 23))\n\n#view dataset<\/span>\ndata\n\n actual predicted\n1 34 37\n2 37 40\n3 44 46\n4 47 44\n5 48 46\n6 48 50\n7 46 45\n8 43 44\n9 32 34\n10 27 30\n11 26 22\n12 24 23\n<\/strong><\/pre>\n #calculate RMSE<\/span>\nsqrt(mean((data$actual - data$predicted)^2))\n\n[1] 2.43242\n<\/strong><\/pre>\n Y\u00f6ntem 2: Paket kullanma<\/strong><\/span><\/h3>\n
\n
#load Metrics package\n<\/span>library(Metrics)\n\ncalculate RMSE\n<\/span>rmse(data$actual, data$predicted)\n\n[1] 2.43242<\/strong><\/pre>\n RMSE nas\u0131l yorumlan\u0131r?<\/strong><\/h2>\n
Ek kaynaklar<\/strong><\/span><\/h3>\n
R’de MSE nas\u0131l hesaplan\u0131r<\/a>
R’de MAPE nas\u0131l hesaplan\u0131r<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"