我知道我可以实现这样一个均方根误差函数:
def rmse(predictions, targets):
return np.sqrt(((predictions - targets) ** 2).mean())
如果这个rmse函数是在某个库中实现的,可能是在scipy或scikit-learn中,我在寻找什么?
我知道我可以实现这样一个均方根误差函数:
def rmse(predictions, targets):
return np.sqrt(((predictions - targets) ** 2).mean())
如果这个rmse函数是在某个库中实现的,可能是在scipy或scikit-learn中,我在寻找什么?
当前回答
Kaggle内核中有一个ml_metrics库,无需预安装即可使用,非常轻量级,可以通过pypi访问(使用pip install ml_metrics即可轻松快速安装):
from ml_metrics import rmse
rmse(actual=[0, 1, 2], predicted=[1, 10, 5])
# 5.507570547286102
它有一些其他有趣的指标,这些指标在sklearn中是不可用的,比如mapk。
引用:
https://pypi.org/project/ml_metrics/ https://github.com/benhamner/Metrics/tree/master/Python
其他回答
在scikit-learn 0.22.0中,您可以将参数squared=False传递给mean_squared_error()以返回RMSE。
from sklearn.metrics import mean_squared_error
mean_squared_error(y_actual, y_predicted, squared=False)
或者只使用NumPy函数:
def rmse(y, y_pred):
return np.sqrt(np.mean(np.square(y - y_pred)))
地点:
Y是我的目标 Y_pred是我的预测
注意,由于平方函数,rmse(y, y_pred)==rmse(y_pred, y)。
是的,它是由SKLearn提供的,我们只需要在参数中提到平方= False
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred, squared=False)
你可能想加上绝对值np。如果你在处理复数。
import numpy as np
rms = np.sqrt(np.mean(np.abs(x-y)**2))
注意,如果使用np. linalgg .norm,它已经处理了复数。
import numpy as np
rms = np.linalg.norm(x-y)/np.sqrt(len(x))
from sklearn.metrics import mean_squared_error
rmse = mean_squared_error(y_actual, y_predicted, squared=False)
or
import math
from sklearn.metrics import mean_squared_error
rmse = math.sqrt(mean_squared_error(y_actual, y_predicted))