logo

TechCodeview

RSME - Python의 평균 제곱근 오류

이 튜토리얼에서는 RSME(Root Mean Square Error)와 Python에서의 구현에 대해 알아봅니다. 간략한 소개부터 시작해 보겠습니다.

실파 셰티 나이

소개

RSME(Root Mean Square Error)는 모델에서 예측한 값과 실제 값 간의 변환을 계산합니다. 즉, 회귀 문제의 기계 학습 알고리즘의 정밀도와 오류율을 측정하는 기술의 오류 중 하나입니다.

오류 측정항목을 사용하면 다양한 행렬의 효율성과 정확성을 추적할 수 있습니다. 이러한 행렬은 아래에 나와 있습니다.

  • 평균 제곱 오차(MSE)
  • RSME(제곱평균제곱근 오류)
  • R-제곱
  • 정확성
  • MAPE 등

평균 제곱 오차(MSE)

MSE는 특성 또는 변수의 예측 값과 실제 값 간의 평균 제곱 차이를 쉽게 나타내는 위험 방법입니다. 아래의 방법으로 계산됩니다. 구문은 아래와 같습니다.

구문 - 

 sklearn.metrics.mean_squared_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', squared=True)

매개변수 -

    y_true -배열과 같은 것입니다 목표_값 또는 n_samples.y_pred -추정된 목표값입니다.샘플_중량(선택사항) -이는 샘플 중량을 나타냅니다.다중 출력 {원시_값, 균일_평균} -여러 출력 값의 집계를 정의합니다. raw_values는 다중 출력 입력에 대한 전체 오류 세트를 반환하고,uniform_average는 균일한 가중치를 갖는 모든 출력의 오류입니다.제곱 -True이면 MSE 값을 반환하고, 그렇지 않으면 RSME 값을 반환합니다.

반품 -

음수가 아닌 부동 소수점 값(가장 좋은 값은 0.0) 또는 부동 소수점 값의 배열(각 개별 대상에 대해 하나씩)을 반환합니다.

다음 예를 이해해 봅시다.

예시 - 1 

 import math import sklearn.metrics actual = [0, 1, 2, 0, 3] predicted = [0.2, 2.3, 4.5, 0.5, 1.1] mse = sklearn.metrics.mean_squared_error(actual, predicted) rmse = math.sqrt(mse) print('The difference between actual and predicted values', rmse)

산출: 

 The difference between actual and predicted values: 1.5388307249337076

예 - 2: 

 from sklearn.metrics import mean_squared_error # Given values Y_act = [1,4,3,2,6] # Y_true = Y (original values) # calculated values Y_pred = [0.6,1.29,1.99,2.69,3.4] # Y_pred = Y' # Calculation of Mean Squared Error (MSE) mean_squared_error(Y_act,Y_pred)

산출: 

 3.15206

RMSE(제곱평균제곱근 오류)

RMSE는 평균 제곱 오차 함수에서 수집된 값의 제곱근입니다. 이는 모델 매개변수의 추정값과 실제 값 간의 차이를 표시하는 데 도움이 됩니다.

RSME를 사용하면 모델의 효율성을 쉽게 측정할 수 있습니다.

RSME 점수가 180 미만이면 잘 작동하는 알고리즘으로 알려져 있습니다. 어쨌든 RSME 값이 180을 초과하면 모델 매개변수에 특징 선택 및 하이퍼 매개변수 조정을 적용해야 합니다.

NumPy 모듈의 평균 제곱근 오류

RSME는 변수/특성의 예측 값과 실제 값 간의 평균 제곱 차이의 제곱근입니다. 다음 수식을 살펴보겠습니다.

RSME - Python의 평균 제곱근 오류

위의 공식을 분석해 보겠습니다.

    에스 -'합'을 나타냅니다.디나-i에 대한 예측값을 나타냅니다.일 피나-i에 대한 예측값을 나타냅니다.일 N -표본 크기를 나타냅니다.

Numpy 모듈의 기능을 사용하여 RSME를 구현하겠습니다. 다음 예를 이해해 봅시다.

참고 - 시스템에 numpy 및 sklearn 라이브러리가 없으면 아래 명령을 사용하여 설치할 수 있습니다.

 pip install numpy pip install sklearn

예 - 

 import math import numpy as np actual = [1,3,6,4,2] predicted = [2.6,1.5,3.9,7,4.1] MSE = np.square(np.subtract(actual,predicted)).mean() rsme = math.sqrt(MSE) print('Root Mean Square Error:
') print(rsme)

산출: 

 Root Mean Square Error: 2.127439775880859

설명 -

위 프로그램에서 예측값과 실제값의 차이를 다음을 사용하여 계산했습니다. numpy.subtract() 기능. 먼저 실제 값과 예측 값을 포함하는 두 개의 목록을 정의했습니다. 그런 다음 numpy의 squre() 메소드를 사용하여 실제 값과 예측 값 차이의 평균을 계산했습니다. 마지막으로 rmse를 계산했습니다.

결론

이 튜토리얼에서는 예시의 그림과 함께 Python을 사용하여 제곱근 평균 제곱근을 계산하는 방법을 논의했습니다. 주어진 데이터 세트의 정확성을 찾는 데 주로 사용됩니다. RSME가 0을 반환하는 경우; 이는 예측된 값과 관찰된 값에 차이가 없음을 의미합니다.