LoslegenKostenlos starten

Größere Fehler, größere Strafe

Alle Fehler sind falsch, aber nicht alle gleich schlimm. Manchmal sind große Vorhersagefehler unverhältnismäßig schädlicher als kleine.

Größere Fehler, größere Strafe – das ist eines der Merkmale des Root Mean Squared Error (RMSE). Große Fehler werden quadriert, wodurch Ausreißer stärker bestraft werden als kleinere Fehler.

Der RMSE kann mit der folgenden Formel berechnet werden, wobei die \(i\)-te squared_diff das Quadrat des \(i\)-ten Fehlers ist.

$$RMSE = \sqrt{\frac{1}{n} \cdot \sum_{i=1} ^n i\text{th squared_diff}}$$

In dieser Übung berechnest du den RMSE deiner Vorhersagen.

In deinem Arbeitsbereich steht das Ergebnis der letzten Übung zur Verfügung: test_enriched, die Testdaten mit einer neuen Spalte .pred, den Out-of-Sample-Vorhersagen des Modells.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit baumbasierten Modellen in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • Berechne die komponentenweisen Differenzen aus Vorhersagen und Abschlussnoten, quadriere sie und speichere sie als squared_diffs.
  • Verwende die Formel oben, um den RMSE zu berechnen, und speichere ihn als rmse_manual.
  • Nutze die Funktion rmse(), um den Fehler zu berechnen, und speichere ihn als rmse_auto.
  • Gib rmse_manual und rmse_auto aus, um zu prüfen, dass sie gleich sind.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Calculate the squared differences
squared_diffs <- (___ - ___)^___

# Compute the RMSE using the formula
rmse_manual <- ___(1 / ___ * ___)

# Compute the RMSE using a function
rmse_auto <- ___(___,
                 ___,
                 ___)

# Print both errors
___
___
Code bearbeiten und ausführen