多维数据的 RMSE答案

【问题标题】：RMSE for Multidimensional Data多维数据的 RMSE
【发布时间】：2021-06-16 19:52:17
【问题描述】：

对于一维数据或由单列组成的数据，计算误差 (RMSE) 很简单。例如，我们可以使用 python 库

from sklearn.metrics import mean_squared_error
RMSE = mean_squared_error(y_actual, y_predicted, squared=TRUE)

模型可以有多个输出列 2、10 甚至 100..

如果数据列少，如何计算RMSE？

例如：

y_act = np.array([1.022,0.94,1.278,2.096,1.404,
2.035,1.622,2.348,1.909,1.678, 
1.638,1.742,2.279,1.878,2.045] ) 
y_actual = y_act.reshape((5,3))

y_pred = np.array([1.021,0.84,1.111,2.091,1.314,
2.131,1.622,2.348,1.888,1.178, 
1.238,1.632,2.119,1.677,2.145] )
y_predicted = y_pred.reshape((5,3))

RMSE(y_actual - y_predicted)?

误差公式如何变化？

【问题讨论】：

【解决方案1】：

公式保持不变。您如何使用它取决于您的用例。

在您的情况下，您有 5 个样本和 3 个输出（列）。可能您在 3 种不同的算法上运行了一些模型并从中获得了这些结果。

与一维版本的不同之处在于您希望如何处理每个输出。你可以用它做三件事。在 1D 版本中，您只有一个值，这里有 3 个。

这些功能在 sklearn 中的“多输出”参数下可用。

以下示例可帮助您进行手动计算与包计算

【讨论】：

请不要张贴代码图片；将代码复制并粘贴为 text，以便 OP 可以实际复制和使用它。另外，请不要在答案中包含接受答案的恳求（已删除）。
我正在运行一个模型，我得到十个输出。这是多变量示例。我只是简单地提出了问题。我不能让它保持原样。
@desertnaut 会照办。
@Green - 在一个多变量的例子中，如果你不能让它们保持原样，那么你必须想办法从多个输出值中获取 1 个结果值。在这种情况下，您可以使用我上面强调的统一平均或加权平均方法。