python中是否存在针对均方根误差（RMSE）的库函数？

我知道我可以像这样实现均方根误差函数：

def rmse(predictions, targets):
    return np.sqrt(((predictions - targets) ** 2).mean())

如果此rmse函数在某个地方的某个库中实现（可能在scipy或scikit-learn中实现），我正在寻找什么？

sklearn.metrics具有mean_squared_error功能。RMSE只是返回值的平方根。

from sklearn.metrics import mean_squared_error
from math import sqrt

rms = sqrt(mean_squared_error(y_actual, y_predicted))

什么是RMSE？也称为MSE，RMD或RMS。它解决什么问题？

如果您了解RMSE ：（均方根误差），MSE ：（均方根误差）RMD（均方根偏差）和RMS ：（均方根），那么要求库为您计算此值是不必要的过度设计。所有这些指标都是最长2英寸长的单行python代码。rmse，mse，rmd和rms这三个指标在概念上核心相同。

RMSE回答了这个问题：“何其相似，平均而言，是数字在list1以list2？”。这两个列表的大小必须相同。我想“消除任何两个给定元素之间的噪音，消除收集到的数据的大小，并获得随时间变化的单一数字感觉”。

直觉和ELI5 for RMSE：

想象一下，您正在学习在飞镖板上扔飞镖。每天练习一小时。您想弄清楚自己是好还是坏。因此，每天您要投掷10次球，并测量靶心与飞镖击中点之间的距离。

您列出这些数字list1。使用第1天与list2包含所有零的距离之间的均方根误差。在第二天和第n天做同样的事情。您将得到的是一个希望随时间减少的数字。当您的RMSE数为零时，您每次都击中Bullseyes。如果均方根值增加，则情况会越来越糟。

在python中计算均方根误差的示例：

import numpy as np
d = [0.000, 0.166, 0.333]   #ideal target distances, these can be all zeros.
p = [0.000, 0.254, 0.998]   #your performance goes here

print("d is: " + str(["%.8f" % elem for elem in d]))
print("p is: " + str(["%.8f" % elem for elem in p]))

def rmse(predictions, targets):
    return np.sqrt(((predictions - targets) ** 2).mean())

rmse_val = rmse(np.array(d), np.array(p))
print("rms error is: " + str(rmse_val))

哪些打印：

d is: ['0.00000000', '0.16600000', '0.33300000']
p is: ['0.00000000', '0.25400000', '0.99800000']
rms error between lists d and p is: 0.387284994115

数学符号：

字形图例： n是一个完整的正整数，表示投掷次数。 i表示枚举和的整个正整数计数器。 d代表理想距离，list2在上面的示例中包含所有零。 p代表性能，list1在上面的示例中。上标2代表数字平方。 d _i是的第i个索引d。 p _i是的第i个索引p。

rmse分步进行，因此可以理解：

def rmse(predictions, targets):

    differences = predictions - targets                       #the DIFFERENCEs.

    differences_squared = differences ** 2                    #the SQUAREs of ^

    mean_of_differences_squared = differences_squared.mean()  #the MEAN of ^

    rmse_val = np.sqrt(mean_of_differences_squared)           #ROOT of ^

    return rmse_val                                           #get the ^

RMSE的每个步骤如何工作：

一个数字减去另一个数字就可以得出它们之间的距离。

8 - 5 = 3         #absolute distance between 8 and 5 is +3
-20 - 10 = -30    #absolute distance between -20 and 10 is +30

如果将任何数字乘以自身，则结果总是正数，因为负数乘以负数就是正数：

3*3     = 9   = positive
-30*-30 = 900 = positive

将它们全部加起来，但是等一下，那么包含许多元素的数组将比小的数组具有更大的误差，因此请按元素数对它们进行平均。

但是，等等，我们更早地对它们进行平方，以迫使他们保持积极态度。消除平方根的伤害！

剩下的一个数字平均代表list1的每个值与其list2的对应元素值之间的距离。

如果RMSE值随着时间下降，我们会感到高兴，因为方差正在减小。

RMSE不是最准确的线拟合策略，最小二乘法的总和为：

均方根误差测量的是点与线之间的垂直距离，因此，如果数据的形状像香蕉，底部附近平坦，顶部附近陡峭，则RMSE将报告距较高点的距离较大，而距点的距离较短实际上是距离相等时的低点。这会导致偏斜，在此偏斜时，线倾向于更靠近高点而不是低点。

如果这是一个问题，则总最小二乘法可以解决此问题：https : //mubaris.com/posts/linear-regression

可能会破坏此RMSE功能的陷阱：

如果在任何一个输入列表中都有空值或无穷大，则输出rmse值将变得没有意义。任一列表中都有三种处理空值/缺失值/无穷大的策略：忽略该组件，将其清零，或在所有时间步长中添加最佳猜测或统一的随机噪声。每种补救措施都有其优缺点，具体取决于数据的含义。通常，最好忽略任何缺少值的组件，但这会使RMSE偏向零，从而使您认为性能确实有所改善。如果存在很多缺失值，则最好在最佳猜测上添加随机噪声。

为了保证RMSE输出的相对正确性，您必须消除输入中的所有null / infinites。

对于不属于异常值的数据点，RMSE的容差为零

均方根误差平方根取决于所有数据正确，并且所有数据均视为相等。这意味着在左侧区域中出现的一个杂散点将完全破坏整个计算。若要处理离群数据点并在特定阈值后消除其巨大影响，请参见稳健估计器，该估计器内置了消除离群值的阈值。

这可能更快吗？

n = len(predictions)
rmse = np.linalg.norm(predictions - targets) / np.sqrt(n)

在scikit-learn 0.22.0中，您可以传递mean_squared_error()参数squared=False以返回RMSE。

from sklearn.metrics import mean_squared_error

mean_squared_error(y_actual, y_predicted, squared=False)

以防万一有人在2019年发现此线程，有一个名为的库ml_metrics，无需预先安装就可以在Kaggle的内核中使用，该库非常轻巧并且可以通过以下方式访问pypi（可以使用轻松快速地安装pip install ml_metrics）：

from ml_metrics import rmse
rmse(actual=[0, 1, 2], predicted=[1, 10, 5])
# 5.507570547286102

它还有其他一些有趣的指标sklearn，例如mapk。

参考文献：

• https://pypi.org/project/ml_metrics/
• https://github.com/benhamner/Metrics/tree/master/Python

实际上，我确实写了一堆作为statsmodels的实用函数

http://statsmodels.sourceforge.net/devel/tools.html#measure-for-fit-performance-eval-measures

和 http://statsmodels.sourceforge.net/devel/generation/statsmodels.tools.eval_measures.rmse.html#statsmodels.tools.eval_measures.rmse

通常是一两个衬板，输入检查不多，主要用于比较数组时轻松获得一些统计信息。但是他们对轴参数有单元测试，因为这是我有时会犯草率错误的地方。

或仅使用NumPy函数：

def rmse(y, y_pred):
    return np.sqrt(np.mean(np.square(y - y_pred)))

哪里：

• y是我的目标
• y_pred是我的预测

注意，rmse(y, y_pred)==rmse(y_pred, y)由于平方函数。

您无法在SKLearn中直接找到RMSE功能。但是，除了手动执行sqrt之外，还有另一种使用sklearn的标准方法。显然，Sklearn的mean_squared_error本身包含一个名为“ squared”的参数，默认值为true。如果将其设置为false，则同一函数将返回RMSE而不是MSE。

# code changes implemented by Esha Prakash
from sklearn.metrics import mean_squared_error
rmse = mean_squared_error(y_true, y_pred , squared=False)

这是一个示例代码，用于计算两种多边形文件格式之间的RMSE PLY。它同时使用ml_metricslib和np.linalg.norm：

import sys
import SimpleITK as sitk
from pyntcloud import PyntCloud as pc
import numpy as np
from ml_metrics import rmse

if len(sys.argv) < 3 or sys.argv[1] == "-h" or sys.argv[1] == "--help":
    print("Usage: compute-rmse.py <input1.ply> <input2.ply>")
    sys.exit(1)

def verify_rmse(a, b):
    n = len(a)
    return np.linalg.norm(np.array(b) - np.array(a)) / np.sqrt(n)

def compare(a, b):
    m = pc.from_file(a).points
    n = pc.from_file(b).points
    m = [ tuple(m.x), tuple(m.y), tuple(m.z) ]; m = m[0]
    n = [ tuple(n.x), tuple(n.y), tuple(n.z) ]; n = n[0]
    v1, v2 = verify_rmse(m, n), rmse(m,n)
    print(v1, v2)

compare(sys.argv[1], sys.argv[2])

1. 不，有一个用于机器学习的Scikit Learn库，可以通过使用Python语言轻松使用。它具有均方误差的功能，我在下面共享以下链接：

https://scikit-learn.org/stable/modules/generation/sklearn.metrics.mean_squared_error.html

2. 该函数的命名方式如下所示，其中y_true是数据元组的真实类值，而y_pred是预测值，由您使用的机器学习算法预测：

mean_squared_error（y_true，y_pred）

3. 您必须对其进行修改以获取RMSE（通过使用Python使用sqrt函数）。此过程在以下链接中进行了描述：https : //www.codeastar.com/regression-model-rmsd/

因此，最终代码将类似于：

从sklearn.metrics从数学导入sqrt导入mean_squared_error

RMSD = sqrt（均方误差（testing_y，预测））

打印（RMSD）