Blog – AI Hub

RMSEの計算方法を調べると、scikit-learnでMSEを計算し、numpyでルートを取って算出する方法が紹介されています。これはscikit-learnでRMSEを直接算出できないため、と説明されていますが、最近のscikit-learnでは直接できるようになってるようでしたので、紹介します。 この記事でわかること ・scikit-learnでRMSEを直接算出する方法がわかる MSEとRMSEについて 平均二乗誤差（Mean Squared Error, MSE）と相対平均二乗誤差（Relative Squared Error, RSE）は、モデルの予測性能を評価するための指標です。以下にそれぞれの計算方法について説明します。 平均2乗誤差(MSE) MSEは、予測値と実際の観測値との差の平均の二乗を示します。以下はMSEの計算方法です。 各データポイントにおいて、予測値（ŷi）と実際の観測値（yi）の差を計算します。 それらの差をすべて二乗します。 これらの二乗誤差を合計します。 合計誤差をデータポイントの総数（n）で割って、MSEを計算します。 MSE = (1/n) * Σ(yi - ŷi)² 平均二乗誤差の平方根（RMSE） RMSEは、MSEの平方根を取ったもので、誤差の平均の二乗の平方根を示します。以下はRMSEの計算方法です。 MSEを計算します。 MSEの平方根を取ります。 RMSE = √(MSE) MSEとRMSEの違い 以下に２つの違いをまとめてみます。MSEもRMSEもどちらも予測値と実際の値の誤差を評価する指標です。RMSEの方が単位が観測値と同じため、直感的に理解しやすい特徴があります。 項目MSERMSE計算方法(1/n) * Σ(yi - ŷi)²√(MSE)誤差の平均化２乗平均平方根を取った平均単位誤差の２乗観測値と同じ目的モデルの性能評価モデルの性能評価直感的な理解理解しにくい理解しやすい最小値00最小値に近いほどよいyesyes scikit-learnでの計算方法 MSEはsklearn.metricsのmean_squared_errorで計算できます。 #インポート from sklearn.metrics import mean_squared_error import numpy as np # サンプルデータを生成 X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1) # 特徴量 y = np.array([2, 4, 5, 4, 5]) # 目標値 #mseの計算 mse=mean_squared_error(X,y) mse 1.8 RMSEは上記のMSEの平方根を取れば良いため、numpyのnp.sqrtを用いて平方根を取る方法が今まで一般的に紹介されていました。 rmse=np.sqrt(mse) 1.3416407864998738 しかし、sklearn.metricsのmean_squared_errorでRMSEを直接計算できるようになっています。コードは以下の通り。引数として、squaredをFalseに指定します。 rmse=mean_squared_error(X,y,squared=False) rmse 1.3416407864998738 コードが少なくて済みます。 以上、参考になれば幸いです。