So berechnen Sie den mittleren quadratischen Fehler (MSE) in Python

Der mittlere quadratische Fehler (engl. Mean Squared Error = MSE) ist eine übliche Methode zur Messung der Vorhersagegenauigkeit eines Modells. Es wird berechnet als:

MSE = (1 / n) * Σ (Ist – Vorhersage) ²

wobei:

• Σ – ein ausgefallenes Symbol, das „Summe“ bedeutet
• n – Stichprobengröße
• Ist – der tatsächliche Datenwert
• Prognose – der vorhergesagte Datenwert

Je niedriger der Wert für MSE ist, desto besser kann ein Modell Werte genau vorhersagen.

So berechnen Sie MSE in Python

Wir können eine einfache Funktion zur Berechnung der MSE in Python erstellen:

import numpy as np

def mse (aktuell, pred): 
    actual, pred = np.array(actual), np.array(pred)
    return np.square(np.subtract(actual, pred)).mean() 

Mit dieser Funktion können wir dann der MSE für zwei Arrays berechnen: eines, das die tatsächlichen Datenwerte enthält, und eines, das die vorhergesagten Datenwerte enthält.

actual = [12, 13, 14, 15, 15, 22, 27]
pred = [11, 13, 14, 14, 15, 16, 18]

mse(actual, pred)

17.0

Der mittlere quadratische Fehler (MSE) für dieses Modell beträgt 17,0.

In der Praxis wird der quadratische Mittelwertfehler (engl. Root Mean Squared Error = RMSE) häufiger zur Beurteilung der Modellgenauigkeit verwendet. Wie der Name schon sagt, ist es einfach die Quadratwurzel des mittleren quadratischen Fehlers.

Wir können eine ähnliche Funktion zur Berechnung des RMSE definieren:

import numpy as np

def rmse (aktuell, pred): 
    actual, pred = np.array(actual), np.array(pred)
    return np.sqrt(np.square(np.subtract(actual, pred)).mean())

Mit dieser Funktion können wir dann den RMSE für zwei Arrays berechnen: eines, das die tatsächlichen Datenwerte enthält, und eines, das die vorhergesagten Datenwerte enthält.

actual = [12, 13, 14, 15, 15, 22, 27]
pred = [11, 13, 14, 14, 15, 16, 18]

rmse(actual, pred)

4.1231

Der quadratische Mittelwertfehler (RMSE) für dieses Modell beträgt 4,1231.

Verwandte Artikel:
So berechnen Sie MAPE in Python