Одним из методов, наиболее часто используемых для оценки точности прогнозов, является среднеквадратическая ошибка, также известная как среднеквадратичное отклонение. Он иллюстрирует евклидово расстояние между измеренными истинными значениями и прогнозами.
Вычислите невязку (разницу между прогнозом и истиной) для каждой точки данных и ее норму, среднее значение и квадратный корень, чтобы определить среднеквадратичную ошибку (RMSE). Поскольку он требует и использует реальные измерения в каждой проецируемой точке данных, RMSE часто используется в приложениях для обучения с учителем.
Важная роль RMSE?
При оценке производительности модели в машинном обучении, будь то во время обучения, перекрестной проверки или мониторинга после развертывания, очень полезно иметь одно число. Одной из наиболее часто используемых метрик для этого является среднеквадратическая ошибка. Это подходящий метод оценки, который прост для понимания и согласуется с некоторыми из наиболее широко используемых статистических допущений.
Что такое RMSE? Обратите внимание, что на RMSE могут существенно повлиять несколько прогнозов, которые значительно хуже остальных, путем возведения в квадрат ошибок и определения среднего значения. Если вы этого не хотите, вы можете лучше понять, как модель работает с большинством прогнозов, используя абсолютное значение остатков и/или вычислив медиану, что устраняет дополнительный эффект очень плохих прогнозов.
Как C3 AI помогает организациям использовать среднеквадратичную ошибку.
Являясь частью конвейера модели машинного обучения, платформа C3 AI предлагает простой подход к автоматическому созданию среднеквадратичной ошибки и других показателей оценки. Это распространяется на автоматизированное машинное обучение, где C3 AI® MLAutoTuner может выбрать модель на основе RMSE или других показателей и автоматически настроить гиперпараметры.
