1. 学ぶ
    2. /
  2. コース
    3. /
  3. Machine Learning với Mô hình Dựa trên Cây trong R
Connected

演習

Sai lệch lớn, phạt nặng hơn

Mọi sai số đều là sai, nhưng không phải sai số nào cũng tệ như nhau. Đôi khi những sai số dự đoán lớn gây hại nhiều hơn không tương xứng so với sai số nhỏ.

Sai lệch lớn, phạt nặng hơn — đó là một đặc điểm của root mean squared error (RMSE). Nó bình phương các sai số lớn, khiến các ngoại lệ này bị “trừng phạt” nặng hơn so với sai số nhỏ.

RMSE có thể được tính bằng công thức sau, trong đó squared_diff thứ \(i\) là bình phương của sai số thứ \(i\).

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

Trong bài này, bạn sẽ tính RMSE cho các dự đoán của mình.

Trong môi trường làm việc của bạn có sẵn kết quả từ bài trước, test_enriched, dữ liệu kiểm thử với cột mới .pred, tức các dự đoán out-of-sample của mô hình.

指示

100 XP
  • Tính chênh lệch theo từng phần tử giữa dự đoán và điểm cuối kỳ, bình phương chúng và lưu thành squared_diffs.
  • Dùng công thức ở trên để tính RMSE và lưu là rmse_manual.
  • Dùng hàm rmse() để tính sai số và lưu là rmse_auto.
  • In rmse_manual và rmse_auto để kiểm tra chúng giống nhau.