Автор оригинала: Pankaj Kumar.
Здравствуйте, читатели! В нашей серии метрик ошибок мы поняли и реализовали среднеквадратичную ошибку корневого квадрата.
Сегодня мы будем сосредоточиться на другой важной метрике ошибок в моделей здании – Среднее абсолютная процентная ошибка (Maep) в питоне.
Что такое муси?
Среднее абсолютная процентная ошибка (Maep) является статистической мерой для определения точности алгоритма машинного обучения на конкретный набор данных.
Mape можно рассматривать как функцию потери для определения ошибки, заканчиваемой моделью оценки. Использование Maпе, мы можем оценить точность с точки зрения различий в фактических оценочных значениях V/S.
Давайте посмотрим на нижестоящую интерпретацию средней абсолютной процентной ошибки
Как видно выше, в Maпе, мы изначально рассчитываем абсолютное различие между Фактическое значение (а) и Предполагаемое/прогнозное значение (F) Отказ Кроме того, мы применяем среднюю функцию на результате, чтобы получить значение Maпе.
Мапе также может быть выражено в процентах. Опустить майп, лучше подходит это модель Отказ
Среднее значение абсолютной процентной ошибки с numpy модуль
Давайте теперь реализуем Maпе, используя модуль Python Numpy.
Сначала мы импортировали набор данных в окружающую среду. Вы можете найти набор данных здесь Отказ
Кроме того, мы разделили набор набора данных на наборы наборах обучения и тестирования, используя Python Train_test_split () Функция Отказ
Затем мы определили функцию для реализации Maпе следующим образом
- Рассчитайте разницу между фактическими и прогнозируемыми значениями.
- Тогда используйте
numpy.abs () Функциянайти абсолютное значение вышеуказанных различий. - Наконец, подать заявку
numpy.mean () Функциячтобы получить муси.
Пример:
import numpy as np
from sklearn.model_selection import train_test_split
import pandas as pd
bike = pd.read_csv("Bike.csv")
#Separating the dependent and independent data variables into two data frames.
X = bike.drop(['cnt'],axis=1)
Y = bike['cnt']
# Splitting the dataset into 80% training data and 20% testing data.
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=.20, random_state=0)
#Defining MAPE function
def MAPE(Y_actual,Y_Predicted):
mape = np.mean(np.abs((Y_actual - Y_Predicted)/Y_actual))*100
return mape
Теперь мы внедрили линейную регрессию, чтобы проверить скорость ошибки модели, используя Maпе.
Здесь мы использовали Функция Linearregression () применять линейную регрессию на набор данных. Кроме того, мы использовали Прогнозировать () Функция предсказать значения для набора тестирования.
Наконец, мы назвали Функция Maep () Создано выше, чтобы оценить значение ошибки в прогнозах, как показано ниже:
#Building the Linear Regression Model
from sklearn.linear_model import LinearRegression
linear_model = LinearRegression().fit(X_train , Y_train)
#Predictions on Testing data
LR_Test_predict = linear_model.predict(X_test)
# Using MAPE error metrics to check for the error rate and accuracy level
LR_MAPE= MAPE(Y_test,LR_Test_predict)
print("MAPE: ",LR_MAPE)
Выход:
MAPE: 16.628873360270358
Среднее абсолютная процентная ошибка с библиотекой Python Scikit Scikit
В этом примере мы внедрили концепцию Maпе с использованием библиотеки Python Sklearn.
Библиотека Python Skglen предлагает нам Среднее значение_absolute_Error () Функция Для расчета значения Mape, как показано ниже
Пример:
from sklearn.metrics import mean_absolute_error Y_actual = [1,2,3,4,5] Y_Predicted = [1,2.5,3,4.1,4.9] mape = mean_absolute_error(Y_actual, Y_Predicted)*100 print(mape)
Выход:
13.999999999999984
Заключение
По этому, мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если вы столкнетесь с любым вопросом.
Для получения дополнительных таких постов, связанных с Python, оставайся настроенными здесь и до тех пор, до тех пор, пока, радостное обучение !! 🙂.