Verwenden von RMSE in Python

Fariba Laiq 30 Januar 2023
  1. Die Formel für Root Mean Square Error in Python
  2. Berechnung des RMSE mit NumPy in Python
  3. Berechnen Sie RMSE mit der Bibliothek scikit-learn in Python
Verwenden von RMSE in Python

RMS (root mean square), auch quadratischer Mittelwert genannt, ist die Quadratwurzel des arithmetischen Mittels der Quadrate einer Reihe von Zahlen.

RMSE(root mean square error) gibt uns die Differenz zwischen den tatsächlichen Ergebnissen und unseren berechneten Ergebnissen aus dem Modell an. Es definiert die Qualität unseres Modells (das quantitative Daten verwendet), wie genau unser Modell vorhergesagt hat, oder den Prozentsatz der Fehler in unserem Modell.

RMSE ist eine der Methoden zur Bewertung von Modellen für überwachtes maschinelles Lernen. Je größer der RMSE ist, desto ungenauer wird unser Modell und umgekehrt.

Es gibt mehrere Möglichkeiten, den RMSE in Python zu finden, indem Sie die NumPy-Bibliothek oder die scikit-learn-Bibliothek verwenden.

Die Formel für Root Mean Square Error in Python

Die Logik hinter der Berechnung des RMSE beruht auf der folgenden Formel:

$$ RMSE=\sqrt{\sum_{i=1}^n {(predicted_{i}-actual_{i})}^2} $$

Berechnung des RMSE mit NumPy in Python

NumPy ist eine nützliche Bibliothek für den Umgang mit großen Datenmengen, Zahlen, Arrays und mathematischen Funktionen.

Mit dieser Bibliothek können wir RMSE leicht berechnen, wenn wir die tatsächlichen und vorhergesagten Werte als Eingabe erhalten. Wir werden die eingebauten Funktionen der NumPy-Bibliothek verwenden, um verschiedene mathematische Operationen wie Quadrat, Mittelwert, Differenz und Quadratwurzel auszuführen.

Im folgenden Beispiel berechnen wir RMSE, indem wir zuerst die Differenz zwischen tatsächlichen und vorhergesagten Werten berechnen. Wir berechnen das Quadrat dieser Differenz und nehmen dann den Mittelwert.

Bis zu diesem Schritt erhalten wir den MSE. Um den RMSE zu erhalten, ziehen wir die Quadratwurzel von MSE.

Hinweis
Um diese Bibliothek zu verwenden, sollten wir sie zuerst installieren.

Beispielcode:

# python 3.x
import numpy as np

actual = [1, 2, 5, 2, 7, 5]
predicted = [1, 4, 2, 9, 8, 6]
diff = np.subtract(actual, predicted)
square = np.square(diff)
MSE = square.mean()
RMSE = np.sqrt(MSE)
print("Root Mean Square Error:", RMSE)

Ausgabe:

#python 3.x
Root Mean Square Error: 3.265986323710904

Berechnen Sie RMSE mit der Bibliothek scikit-learn in Python

Eine andere Möglichkeit, RMSE in Python zu berechnen, ist die Verwendung der Bibliothek scikit-learn.

scikit-learn ist nützlich für maschinelles Lernen. Diese Bibliothek enthält ein Modul namens sklearn.metrics, das die eingebaute Funktion mean_square_error enthält.

Wir werden die Funktion aus diesem Modul in unseren Code importieren und die tatsächlichen und vorhergesagten Werte aus dem Funktionsaufruf übergeben. Die Funktion gibt die MSE zurück. Um den RMSE zu berechnen, ziehen wir die Quadratwurzel von MSE.

Hinweis
Um diese Bibliothek zu verwenden, sollten wir sie zuerst installieren.

Beispielcode:

# python 3.x
from sklearn.metrics import mean_squared_error
import math

actual = [1, 2, 5, 2, 7, 5]
predicted = [1, 4, 2, 9, 8, 6]
MSE = mean_squared_error(actual, predicted)
RMSE = math.sqrt(MSE)
print("Root Mean Square Error:", RMSE)

Ausgabe:

#python 3.x
Root Mean Square Error: 3.265986323710904
Fariba Laiq avatar Fariba Laiq avatar

I am Fariba Laiq from Pakistan. An android app developer, technical content writer, and coding instructor. Writing has always been one of my passions. I love to learn, implement and convey my knowledge to others.

LinkedIn

Verwandter Artikel - Python Math