Y a-t-il une fonction de bibliothèque pour l'erreur quadratique moyenne (RMSE) en python?

Question

Je sais que je pourrais implémenter une fonction d'erreur quadratique moyenne comme ceci :

def rmse(prédictions, cibles):
    return np.sqrt(((prédictions - cibles) ** 2).mean())

Ce que je recherche, c'est si cette fonction rmse est implémentée dans une bibliothèque quelque part, peut-être dans scipy ou scikit-learn ?

Answer 1

Il existe une bibliothèque ml_metrics qui est disponible sans pré-installation dans les noyaux de Kaggle, assez légère et accessible via pypi (elle peut être installée facilement et rapidement avec pip install ml_metrics):

from ml_metrics import rmse
rmse(actual=[0, 1, 2], predicted=[1, 10, 5])
# 5.507570547286102

Elle possède quelques autres métriques intéressantes qui ne sont pas disponibles dans sklearn, comme mapk.

Références:

• https://pypi.org/project/ml_metrics/
• https://github.com/benhamner/Metrics/tree/master/Python

Answer 2

Ou en utilisant simplement des fonctions NumPy :

def rmse(y, y_pred):
    return np.sqrt(np.mean(np.square(y - y_pred)))

Où :

• y est ma cible
• y_pred est ma prédiction

Remarquez que rmse(y, y_pred)==rmse(y_pred, y) en raison de la fonction carré.

Answer 3

Oui, il est fourni par SKLearn, nous devons simplement mentionner squared = False dans les arguments

from sklearn.metrics import mean_squared_error

mean_squared_error(y_true, y_pred, squared=False)

Answer 4

de sklearn import metrics
import numpy as np
print(np.sqrt(metrics.mean_squared_error(y_test, y_predict)))

Answer 5

from sklearn.metrics import mean_squared_error
rmse = mean_squared_error(y_actual, y_predicted, squared=False)

ou

import math
from sklearn.metrics import mean_squared_error
rmse = math.sqrt(mean_squared_error(y_actual, y_predicted))