IniziaInizia gratis

Errori più grandi, penalità più grande

Tutti gli errori sono sbagliati, ma non tutti sono ugualmente gravi. A volte gli errori di previsione grandi sono sproporzionatamente più dannosi di quelli piccoli.

Errori più grandi, penalità più grande: è una delle caratteristiche della root mean squared error, o RMSE. Eleva al quadrato gli errori grandi, penalizzando questi outlier più severamente rispetto a quelli piccoli.

L'RMSE si può calcolare con la seguente formula, dove l’squared_diff in posizione \(i\) è il quadrato dell’errore in posizione \(i\).

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

In questo esercizio calcolerai l'RMSE delle tue previsioni.

Nel tuo workspace è disponibile il risultato dell’ultimo esercizio, test_enriched, i dati di test con una nuova colonna .pred, le previsioni out-of-sample del modello.

Questo esercizio fa parte del corso

Machine Learning con modelli ad albero in R

Visualizza il corso

Istruzioni dell'esercizio

  • Calcola le differenze elemento per elemento tra previsioni e voti finali, elevale al quadrato e salvale come squared_diffs.
  • Usa la formula sopra per calcolare l’RMSE e salvalo come rmse_manual.
  • Usa la funzione rmse() per calcolare l’errore e salvalo come rmse_auto.
  • Stampa rmse_manual e rmse_auto per verificare che coincidano.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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
___
___
Modifica ed esegui il codice