normalized mean squared error
En metrik, der måler den gennemsnitlige kvadratiske afvigelse mellem observerede og forudsagte værdier, normaliseret med variansen af de observerede værdier.
Kort fortalt
Normalized mean squared error fortæller, hvor godt en model forudsiger data, justeret for datasættets spredning — jo tættere på 0, jo bedre.
- Kategori
- metrik
- Niveau
- øvet
- Udtale
- /ˈnɔːməlaɪzd miːn skwɛəd ˈɛrər/
Betydninger
1- 1
Et mål for modellens forudsigelsesfejl, der dividerer den gennemsnitlige kvadratfejl med variansen af de observerede værdier, så det bliver uafhængigt af datasættets skala.
- NMSE på 0,2 betyder, at modellen reducerer fejlen med 80 % i forhold til at bruge gennemsnittet som forudsigelse.
- Ved sammenligning af neurale netværk på forskellige datasæt foretrækkes normaliseret mean squared error frem for MSE.
Hvornår bruges det
NMSE bruges til at evaluere regressionsmodeller, især når man sammenligner modeller på tværs af datasæt med forskellig skala. Det giver et relativt fejlmål, hvor værdier under 1 indikerer, at modellen er bedre end at gætte gennemsnittet.
Formel
NMSE = (1/n * Σ (y_i - ŷ_i)^2) / (1/n * Σ (y_i - ȳ)^2) = MSE / Var(y)Kodeeksempel
import numpy as np
def nmse(y_true, y_pred):
mse = np.mean((y_true - y_pred) ** 2)
var = np.var(y_true)
return mse / varEn simpel Python-funktion til at beregne normalized mean squared error ved hjælp af NumPy.
Oprindelse
Udtrykket er sammensat af 'normalized' (normaliseret), 'mean squared error' (middelkvadratfejl), og stammer fra signalbehandling og statistik.