আপনি কীভাবে আরএমএসএল ব্যাখ্যা করবেন (রুট মানে স্কোয়ার্ড লোগারিদমিক ত্রুটি)?

Question

আমি একটি মেশিন লার্নিং প্রতিযোগিতা করছি যেখানে তারা আরএমএসএল (রুট মিন স্কোয়ার্ড লোগারিদমিক ত্রুটি) ব্যবহার করে একটি বিভাগের সরঞ্জামগুলির বিক্রয় মূল্যের পূর্বাভাসের পারফরম্যান্সটি মূল্যায়ন করতে। সমস্যাটি আমার চূড়ান্ত ফলাফলের সাফল্যের ব্যাখ্যা কীভাবে তা আমি নিশ্চিত নই।

উদাহরণস্বরূপ, যদি আমি একটি RMSLE অর্জন আমি এটা সূচকীয় ক্ষমতা বাড়াতে পারে ই এবং rmse মত ব্যাখ্যা? (অর্থাত। ই 1.052 = 2.863 = আর এম এস ই )?$1.052$$e$$e^{1.052}=2.863=RMSE$

আমি তখন বলবেন যে আমার ভবিষ্যৎবাণী ছিল প্রকৃত দাম থেকে গড়ে? বা মেট্রিক ব্যাখ্যা করার জন্য আরও ভাল উপায় আছে? অথবা অন্যান্য মডেলের অন্যান্য আরএমএসএলএসের সাথে তুলনা করার ব্যতিক্রম বাদে কি মেট্রিকের ব্যাখ্যা দেওয়া যেতে পারে? $\pm \$2.863$

Comments

আমার সীমিত জ্ঞানের সাথে, এটি

Answer 1

আমি আরএমএসএল এর আগে দেখিনি তবে আমি ধরে নিচ্ছি এটি ।$\sqrt{ \frac{1}{N} \sum_{i=1}^N (\log(x_i) - \log(y_i))^2 }$

সুতরাং এটির প্রকাশ করা আপনাকে আরএমএসই দেবে না, এটি আপনাকে দেবে

$e^\sqrt{ \frac{1}{N} \sum_{i=1}^N (\log(x_i) - \log(y_i))^2 } \ne \sqrt{\frac{1}{N} \sum_{i=1}^N (x_i - y_i)^2}$

আমরা যদি উভয় পক্ষের লগ নিই, আমরা আরএমএসএল বনাম পাব $\frac{1}{2} \log \left( \frac{1}{N} \sum_{i=1}^N (x_i - y_i)^2 \right)$

দুর্ভাগ্যক্রমে, সাধারণভাবে খুব সহজ সম্পর্ক নেই (যদিও আমার চেয়ে বেশি স্মার্ট কেউ / আমার চেয়ে কঠিন সম্পর্কে এটি সম্পর্কে চিন্তা করা সম্ভবত জেনসেনের বৈষম্যকে উভয়ের মধ্যে কিছু সম্পর্ক বের করার জন্য ব্যবহার করতে পারে)।

$2.86$

Comments

হাই @ দুগল ধন্যবাদ! এটি অবশ্যই পরিষ্কার জিনিসগুলিকে আপ করতে সহায়তা করে।

— কাজ

Answer 2

আমি জানি না যে, কোনও সাধারণ ক্ষেত্রে এমনকি কোনও সাধারণ ক্ষেত্রে বিশ্লেষণ করার জন্য একটি সাধারণ জেনেরিক ব্যাখ্যা আছে কিনা।

উদাহরণস্বরূপ, যদি আপনি সমস্ত কেসকে মূল মূল্য দিয়ে পূর্বাভাস করেন এবং এটিকে আপনার পদ্ধতির সাথে তুলনা করেন তবে ত্রুটিটি কী হবে তা মূল্যায়নে আগ্রহী হতে পারেন।

যাইহোক, আমি বিশ্বাস করি যখন আপনি পূর্বাভাসিত এবং সত্য মানের দুটি ক্ষেত্রে বিশাল পার্থক্যকে দণ্ডিত করতে না চান তখন সাধারণত আরএমএসএলই ব্যবহৃত হয় যখন পূর্বাভাসিত ও সত্য উভয় মানই বিশাল সংখ্যা। আপনি পুনর্লিখন করতে পারেন এই ক্ষেত্রে শুধুমাত্র শতাংশগত পার্থক্য

$\log{P_i + 1} - \log{A_i +1} = \log{\frac{P_i + 1}{A_i +1}}$

উদাহরণস্বরূপ পি = 1000 এবং এ = 500 এর জন্য আপনাকে প্রায় একই ত্রুটি দিতে হবে যখন পি = 100000 এবং এ = 50000।

Answer 3

$\log{x+1}$

$y=\log{x+1}$

Answer 4

আরও সহজেই বোধগম্য এমন কোনও ক্ষেত্রে লস ফাংশনের কর্মক্ষমতা পরিমাপের একটি অপ্রত্যক্ষ উপায় আছে যদিও এটি আপনার প্রত্যাশার মতো মানগুলিতে সরাসরি রূপান্তরিত করবে না।

একবার মডেলটি আরএমএসএল ব্যবহার করে প্রশিক্ষিত ও পরীক্ষা করা হয়ে গেলে এটিতে নতুন একটি মেট্রিক নিন। কেবলমাত্র মডেলটি আরএমএসএল-তে প্রশিক্ষিত হয়েছিল, এর অর্থ এই নয় যে আপনি অন্য আরও বোধগম্য ক্ষতির কাজগুলি মেট্রিক হিসাবে গ্রহণ করতে পারবেন না।

কেরাসে, উদাহরণস্বরূপ, আপনি মডেল সংকলকটিতে মেট্রিক্স বিভাগে অতিরিক্ত ক্ষতির ফাংশন নির্দিষ্ট করতে পারেন। এমএসএলির নীচে মডেলটি প্রশিক্ষণের জন্য ব্যবহৃত হয় (আরএমএসএল এর সমান), তবে এমএই এবং এমএসইও রেকর্ড করা হয়:

model.compile(loss='mean_squared_logarithmic_error', optimizer='adam', metrics=['mean_absolute_error','mean_squared_error'])