سيتعرف هذا البرنامج التعليمي على RSME (Root Mean Square Error) وتنفيذه في Python. لنبدأ بمقدمته الموجزة.

مقدمة

يحسب RSME (جذر متوسط ​​مربع الخطأ) التحويل بين القيم التي تنبأ بها النموذج والقيم الفعلية. بمعنى آخر، إنه أحد هذه الأخطاء في تقنية قياس الدقة ومعدل الخطأ لأي خوارزمية تعلم آلي لمشكلة الانحدار.

يسمح لنا مقياس الخطأ بتتبع كفاءة ودقة المصفوفات المختلفة. وترد أدناه هذه المصفوفات.

• متوسط ​​​​الخطأ المربع (MSE)
• خطأ مربع متوسط ​​الجذر (RSME)
• R-مربع
• دقة
• مابي، الخ.

متوسط ​​​​الخطأ المربع (MSE)

MSE هي طريقة مخاطرة تسهل علينا تحديد متوسط ​​الفرق المربع بين القيمة المتوقعة والقيمة الفعلية لميزة أو متغير. يتم حسابه باستخدام الطريقة أدناه. ويرد بناء الجملة أدناه.

جافا فارغة

بناء الجملة -

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

حدود -

ص_صحيح -إنها تشبه المصفوفة القيم المستهدفة أو n_samples.y_pred -وهي القيم المستهدفة المقدرة.وزن العينة (اختياري) -ويمثل وزن العينة.مخرجات متعددة {القيم_الخامة، الموحدة_المتوسطة} -وهو يحدد تجميع قيم الإخراج المتعددة. تُرجع القيم الأولية مجموعة كاملة من الأخطاء لإدخال المخرجات المتعددة، والمتوسط ​​الموحد هو خطأ لجميع المخرجات ذات الوزن الموحد.تربيع -صحيح، يتم إرجاع قيمة MSE وإلا يتم إرجاع قيمة RSME.

عائدات -

تقوم بإرجاع قيمة النقطة العائمة غير السالبة (أفضل قيمة هي 0.0) أو مجموعة من قيم النقطة العائمة، واحدة لكل هدف على حدة.

دعونا نفهم المثال التالي.

مثال 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) 

انتاج:

 The difference between actual and predicted values: 1.5388307249337076 

مثال - 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) 

انتاج:

 3.15206 

خطأ الجذر التربيعي المتوسط ​​(RMSE)

RMSE هو الجذر التربيعي للقيمة التي تم جمعها من دالة الخطأ التربيعي المتوسط. فهو يساعدنا على رسم الفرق بين التقدير والقيمة الفعلية لمعلمة النموذج.

باستخدام RSME، يمكننا بسهولة قياس كفاءة النموذج.

تُعرف الخوارزمية التي تعمل بشكل جيد إذا كانت درجة RSME الخاصة بها أقل من 180. على أي حال، إذا تجاوزت قيمة RSME 180، فسنحتاج إلى تطبيق اختيار الميزة وضبط المعلمة الفائقة على معلمة النموذج.

خطأ مربع لمتوسط ​​الجذر في وحدة NumPy

RSME هو الجذر التربيعي لمتوسط ​​الفرق التربيعي بين القيمة المتوقعة والفعلية للمتغير/الميزة. دعونا نرى الصيغة التالية.

دعونا نحلل الصيغة المذكورة أعلاه -

س -إنه يمثل 'المجموع'.د_أنا-يمثل القيمة المتوقعة لـ i^ذ ص_أنا-يمثل القيمة المتوقعة لـ i^ذ ن -ويمثل حجم العينة.

سنقوم بتنفيذ RSME باستخدام وظائف وحدة Numpy. دعونا نفهم المثال التالي.

ملاحظة - إذا لم يكن نظامك يحتوي على مكتبات numpy وsklearn، فيمكنك التثبيت باستخدام الأوامر أدناه.

 pip install numpy pip install sklearn 

مثال -

 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) 

انتاج:

 Root Mean Square Error: 2.127439775880859 

توضيح -

فئة مقابل كائن في جافا

قمنا بحساب الفرق بين القيم المتوقعة والفعلية في البرنامج أعلاه باستخدام numpy.subtract() وظيفة. أولاً، قمنا بتحديد قائمتين تحتويان على القيم الفعلية والمتوقعة. ثم قمنا بحساب متوسط ​​فرق القيم الفعلية والمتوقعة باستخدام طريقة numpy's squre(). وأخيراً قمنا بحساب قيمة rmse.

خاتمة

في هذا البرنامج التعليمي، ناقشنا كيفية حساب الجذر التربيعي لمتوسط ​​المربع باستخدام بايثون مع توضيح المثال. يتم استخدامه في الغالب للعثور على دقة مجموعة البيانات المحددة. إذا أرجع RSME 0؛ فهذا يعني أنه لا يوجد فرق بين القيم المتوقعة والمرصودة.