Utiliser RMSE en Python

1. La formule de l’erreur quadratique moyenne en Python
2. Calculer RMSE en utilisant NumPy en Python
3. Calculer RMSE en utilisant la bibliothèque scikit-learn en Python

RMS (root mean square), également connu sous le nom de moyenne quadratique, est la racine carrée de la moyenne arithmétique des carrés d’une série de nombres.

RMSE (root mean square error) nous donne la différence entre les résultats réels et nos résultats calculés à partir du modèle. Il définit la qualité de notre modèle (qui utilise des données quantitatives), la précision des prédictions de notre modèle ou le pourcentage d’erreur dans notre modèle.

RMSE est l’une des méthodes d’évaluation des modèles d’apprentissage automatique supervisé. Plus le RMSE sera grand, plus l’imprécision de notre modèle sera grande et vice versa.

Il existe plusieurs façons de trouver le RMSE en Python en utilisant la bibliothèque NumPy ou la bibliothèque scikit-learn.

La formule de l’erreur quadratique moyenne en Python

La logique derrière le calcul du RMSE passe par sa formule suivante :

Calculer RMSE en utilisant NumPy en Python

NumPy est une bibliothèque utile pour traiter des données volumineuses, des nombres, des tableaux et des fonctions mathématiques.

En utilisant cette bibliothèque, nous pouvons facilement calculer RMSE lorsque les valeurs réelles et prédites sont données en entrée. Nous utiliserons les fonctions intégrées de la bibliothèque NumPy pour effectuer différentes opérations mathématiques comme le carré, la moyenne, la différence et la racine carrée.

Dans l’exemple suivant, nous allons calculer RMSE en calculant d’abord la différence entre les valeurs réelles et prédites. Nous calculons le carré de cette différence, puis prenons la moyenne.

Jusqu’à cette étape, nous obtiendrons le MSE. Pour obtenir le RMSE, nous prendrons la racine carrée de MSE.

Exemple de code :

# 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)

Production :

#python 3.x
Root Mean Square Error: 3.265986323710904

Calculer RMSE en utilisant la bibliothèque scikit-learn en Python

Une autre façon de calculer RMSE en Python consiste à utiliser la bibliothèque scikit-learn.

scikit-learn est utile pour l’apprentissage automatique. Cette bibliothèque contient un module appelé sklearn.metrics contenant la fonction intégrée mean_square_error.

Nous allons importer la fonction de ce module dans notre code et transmettre les valeurs réelles et prédites de l’appel de fonction. La fonction renverra le MSE. Pour calculer le RMSE, nous prendrons la racine carrée de MSE.

Exemple de code :

# 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)

Production :

#python 3.x
Root Mean Square Error: 3.265986323710904