BaşlayınÜcretsiz başlayın

Büyük hatalar, büyük ceza

Tüm hatalar yanlıştır ama hepsi aynı derecede kötü değildir. Bazen büyük tahmin hataları, küçük hatalara kıyasla orantısız şekilde daha zararlı olabilir.

Büyük hatalar, büyük ceza — bu, kök ortalama kare hata (RMSE) ölçütünün özelliklerinden biridir. Büyük hataları kareye alır; böylece bu aykırı değerleri küçük hatalara kıyasla daha ağır cezalandırır.

RMSE aşağıdaki formülle hesaplanabilir; burada \(i\). squared_diff, \(i\). hatanın karesidir.

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

Bu egzersizde, tahminlerinin RMSE değerini hesaplayacaksın.

Çalışma alanında, önceki egzersizin çıktısı olan test_enriched mevcut: test verisi ve modele ait örneklem dışı tahminleri içeren yeni .pred sütunu.

Bu egzersiz, kursun bir parçasıdır

R ile Ağaç Tabanlı Modellerle Machine Learning

Kursa Göz Atın

Egzersiz talimatları

  • Tahminler ile final notları arasındaki bileşen bazlı farkları hesapla, karelerini al ve squared_diffs olarak kaydet.
  • Yukarıdaki formülü kullanarak RMSE’yi hesapla ve rmse_manual olarak kaydet.
  • Hata ölçüsünü hesaplamak için rmse() fonksiyonunu kullan ve rmse_auto olarak kaydet.
  • Aynı olduklarını doğrulamak için rmse_manual ve rmse_auto değerlerini yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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
___
___
Kodu Düzenle ve Çalıştır