多维数据的RMSE

Question

对于一维数据或由单个列组成的数据，计算错误(RMSE)非常简单。例如，我们可以使用python库。

from sklearn.metrics import mean_squared_error
RMSE = mean_squared_error(y_actual, y_predicted, squared=TRUE)

模型可以有多个输出列2、10甚至100。

如果数据没有列，如何计算RMSE？

例如：

y_act = np.array([1.022,0.94,1.278,2.096,1.404,
2.035,1.622,2.348,1.909,1.678, 
1.638,1.742,2.279,1.878,2.045] ) 
y_actual = y_act.reshape((5,3))

y_pred = np.array([1.021,0.84,1.111,2.091,1.314,
2.131,1.622,2.348,1.888,1.178, 
1.238,1.632,2.119,1.677,2.145] )
y_predicted = y_pred.reshape((5,3))

RMSE(y_actual - y_predicted)

错误的公式是如何变化的？

Answer 1

公式保持不变。您如何使用它将取决于您的用例。

​

​

在您的示例中，有5个示例，包含3个输出(列)。可能您在3种不同的算法上运行了一些模型，并从它们中得到了这些结果。

与1D版本不同的是，您希望如何对待每个输出。你可以用它做三件事。在一维版本中，只有一个值，这里有3个。

1. Leave是这样的:在本例中，对于所有3个outputs.
2. Uniformly平均值，都有一个最小均方值：取三个最小均方平均值的平均值，得到一个最小均方平均值：，可以对三个最小均方平均值进行加权平均。

这些功能可以在“多输出”参数下使用。

下面是帮助您手工计算v/s包计算的示例

​

​