Erreur quadratique moyenne dans Numpy ?

Question

Existe-t-il une méthode en numpy pour calculer l'erreur quadratique moyenne entre deux matrices ?

J'ai essayé de chercher mais je n'ai rien trouvé. Est-il sous un autre nom ?

Si ce n'est pas le cas, comment surmonter cette difficulté ? L'écrivez-vous vous-même ou utilisez-vous une autre librairie ?

Answer 1

Vous pouvez utiliser :

mse = ((A - B)**2).mean(axis=ax)

Ou

mse = (np.square(A - B)).mean(axis=ax)

• avec ax=0 la moyenne est effectuée le long de la ligne, pour chaque colonne, renvoyant un tableau
• avec ax=1 la moyenne est effectuée le long de la colonne, pour chaque ligne, renvoyant un tableau
• avec ax=None la moyenne est effectuée élément par élément le long du tableau, renvoyant une valeur scalaire.

Answer 2

Cela ne fait pas partie de numpy mais il fonctionnera avec numpy.ndarray objets. A numpy.matrix peut être converti en un numpy.ndarray et un numpy.ndarray peut être converti en un numpy.matrix .

from sklearn.metrics import mean_squared_error
mse = mean_squared_error(A, B)

Véase Erreur quadratique moyenne de Scikit Learn pour obtenir de la documentation sur la façon de contrôler les axes.

Answer 3

Encore plus de numpy

np.square(np.subtract(A, B)).mean()

Answer 4

Juste pour le plaisir

mse = (np.linalg.norm(A-B)**2)/len(A)

Answer 5

Une autre alternative à la réponse acceptée qui évite tout problème avec la multiplication de la matrice :

 def MSE(Y, YH):
     return np.square(Y - YH).mean()

Desde el documents para np.square :

Return the element-wise square of the input.