Usando RMSE en Python

Fariba Laiq 30 enero 2023
  1. La fórmula del error cuadrático medio en Python
  2. Calcule RMSE usando NumPy en Python
  3. Calcule RMSE usando la biblioteca scikit-learn en Python
Usando RMSE en Python

RMS (root mean square), también conocida como media cuadrática, es la raíz cuadrada de la media aritmética de los cuadrados de una serie de números.

RMSE (root mean square error) nos da la diferencia entre los resultados reales y nuestros resultados calculados del modelo. Define la calidad de nuestro modelo (que usa datos cuantitativos), qué tan preciso ha predicho nuestro modelo o el porcentaje de error en nuestro modelo.

RMSE es uno de los métodos para evaluar modelos de aprendizaje automático supervisado. Cuanto mayor sea el RMSE será la inexactitud de nuestro modelo y viceversa.

Hay varias formas de encontrar el RMSE en Python utilizando la biblioteca NumPy o la biblioteca scikit-learn.

La fórmula del error cuadrático medio en Python

La lógica detrás del cálculo del RMSE es a través de su siguiente fórmula:

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

Calcule RMSE usando NumPy en Python

NumPy es una biblioteca útil para manejar grandes datos, números, arreglos y funciones matemáticas.

Con esta biblioteca, podemos calcular fácilmente RMSE cuando se dan los valores reales y previstos como entrada. Usaremos las funciones integradas de la biblioteca NumPy para realizar diferentes operaciones matemáticas como el cuadrado, la media, la diferencia y la raíz cuadrada.

En el siguiente ejemplo, calcularemos RMSE calculando primero la diferencia entre los valores reales y predichos. Calculamos el cuadrado de esa diferencia, luego tomamos la media.

Hasta este paso, obtendremos el MSE. Para obtener el RMSE, sacaremos la raíz cuadrada de MSE.

Nota
Para usar esta biblioteca, primero debemos instalarla.

Código de ejemplo:

# 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)

Producción :

#python 3.x
Root Mean Square Error: 3.265986323710904

Calcule RMSE usando la biblioteca scikit-learn en Python

Otra forma de calcular RMSE en Python es usando la biblioteca scikit-learn.

scikit-learn es útil para el aprendizaje automático. Esta biblioteca contiene un módulo llamado sklearn.metrics que contiene la función mean_square_error integrada.

Importaremos la función de este módulo a nuestro código y pasaremos los valores reales y previstos de la llamada a la función. La función devolverá el MSE. Para calcular el RMSE, tomaremos la raíz cuadrada de MSE.

Nota
Para usar esta biblioteca, primero debemos instalarla.

Código de ejemplo:

# 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)

Producción :

#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

Artículo relacionado - Python Math