3. Корень из средней квадратической ошибки.

Третьим инструментом, который мы рассмотрим, будет корень из средней квадратической ошибки (Root Mean Squared Error, RMSE). RMSE представляет собой квадратный корень из MSE и измеряет среднеквадратичное отклонение фактических значений от прогнозируемых значений модели.

Диапазон значений RMSE также теоретически может быть от 0 до бесконечности. Как и в случае с MSE и MAE, чем меньше значение RMSE, тем лучше модель.

Пример вызова и получения RMSE на Python может выглядеть так:

from sklearn.metrics import mean_squared_error
import numpy as np

# Предположим, что y_true - это фактические значения, а y_pred - прогнозируемые значения модели
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

# Вычисляем MSE
mse = mean_squared_error(y_true, y_pred)

# Вычисляем RMSE
rmse = np.sqrt(mse)

print("Root Mean Squared Error (RMSE):", rmse)

Этот код выведет значение RMSE для приведенных фактических и прогнозируемых значений.