CommencezCommencez gratuitement

Plus l'erreur est grande, plus la pénalité l'est aussi

Toutes les erreurs sont mauvaises, mais elles ne se valent pas toutes. Dans certains cas, de grandes erreurs de prédiction sont beaucoup plus dommageables que les petites.

Plus l'erreur est grande, plus la pénalité l'est aussi : c'est l'une des caractéristiques de la racine de l'erreur quadratique moyenne (RMSE). Elle met au carré les grandes erreurs, ce qui pénalise plus sévèrement ces valeurs aberrantes que les petites erreurs.

La RMSE se calcule à l'aide de la formule suivante, où squared_diff au rang \(i\) correspond au carré de l'erreur au rang \(i\).

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

Dans cet exercice, vous allez calculer la RMSE de vos prédictions.

À votre disposition dans l'espace de travail : le résultat du dernier exercice, test_enriched, soit les données de test avec une nouvelle colonne .pred, les prédictions hors échantillon du modèle.

Cette activité fait partie du cours

Machine Learning avec des modèles arborescents en R

Voir le cours

Instructions de l’exercice

  • Calculez, élément par élément, la différence entre les prédictions et les notes finales, mettez-les au carré et enregistrez le tout dans squared_diffs.
  • Utilisez la formule ci-dessus pour calculer la RMSE et enregistrez-la dans rmse_manual.
  • Utilisez la fonction rmse() pour calculer l'erreur et enregistrez-la dans rmse_auto.
  • Affichez rmse_manual et rmse_auto pour vérifier qu'elles sont identiques.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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
___
___
Modifier et exécuter le code