More than 3 years have passed since last update.

予測精度評価指標をPythonで実装する

Last updated at 2019-12-26Posted at 2019-03-01

構築したアルゴリズムの予測結果を評価するための誤差について

以下の誤差を紹介します。

	略称	日本語
Mean Absolute Error	MAE	平均絶対誤差
Mean Absolute Persentage Error	MAPE	平均絶対誤差率
Root Mean Squared Error	RMSE	平均平方二乗誤差
Root Mean Squared Persentage Error	RMSPE	平均平方二乗誤差率

基本。

\dfrac {1}{N} \sum ^{N}_{i=1}\left| \widehat {y_{i}}- y_{i}\right|

from sklearn.metrics import mean_absolute_error
mean_absolute_error(true, pred)

異なるスケール間の誤差を比較できる。

\dfrac {100}{N}\sum ^{N}_{i=1}\left| \frac{ \widehat {y_{i}}-y_{i} }{y_{i}}\right|

import numpy as np
np.mean(np.abs((pred - true) / true)) * 100

MAEに比べ誤差の影響が大きい。

\left(\dfrac {1}{N}\sum ^{N}_{i=1}\left( \widehat {y_{i}}-y_{i} \right)^2\right)^{\frac{1}{2}}

import numpy as np
from sklearn.metrics import mean_squared_error
np.sqrt(mean_squared_error(true, pred))

誤差の影響を大きく反映し、かつ異なるスケール間の誤差を比較できる。

100\left(\dfrac {1}{N}\sum ^{N}_{i=1}\left( \frac{\widehat {y_{i}}- y_{i} }{y_{i}}\right)^2\right)^{\frac{1}{2}}

import numpy as np
np.sqrt(np.mean(((pred - true) / true)**2))*100