我们如何在 Python 中测量 RMSE？答案

【问题标题】：How can we measure RMSE in Python?我们如何在 Python 中测量 RMSE？
【发布时间】：2019-05-26 23:43:48
【问题描述】：

我正在使用Kalman Filters 进行实验。我已经创建了一个非常小的时间序列数据，其中包含如下格式的三列。由于我无法在 stackoverflow 上附加文件，因此在此处附加了完整的数据集以实现可重复性：

  time        X      Y
 0.040662  1.041667  1
 0.139757  1.760417  2
 0.144357  1.190104  1
 0.145341  1.047526  1
 0.145401  1.011882  1
 0.148465  1.002970  1
 ....      .....     .

我已经阅读了Kalman Filter 中的the documetation 并设法进行了简单的线性预测，这是我的代码

import matplotlib.pyplot as plt 
from pykalman import KalmanFilter 
import numpy as np
import pandas as pd



df = pd.read_csv('testdata.csv')
print(df)
pd.set_option('use_inf_as_null', True)

df.dropna(inplace=True)


X = df.drop('Y', axis=1)
y = df['Y']



estimated_value= np.array(X)
real_value = np.array(y)

measurements = np.asarray(estimated_value)



kf = KalmanFilter(n_dim_obs=1, n_dim_state=1, 
                  transition_matrices=[1],
                  observation_matrices=[1],
                  initial_state_mean=measurements[0,1], 
                  initial_state_covariance=1,
                  observation_covariance=5,
                  transition_covariance=1)

state_means, state_covariances = kf.filter(measurements[:,1]) 
state_std = np.sqrt(state_covariances[:,0])
print (state_std)
print (state_means)
print (state_covariances)


fig, ax = plt.subplots()
ax.margins(x=0, y=0.05)

plt.plot(measurements[:,0], measurements[:,1], '-r', label='Real Value Input') 
plt.plot(measurements[:,0], state_means, '-b', label='Kalman-Filter') 
plt.legend(loc='best')
ax.set_xlabel("Time")
ax.set_ylabel("Value")
plt.show()

输出如下图

正如我们在情节中看到的那样，模式似乎被很好地捕捉到了。我们如何统计测量均方根误差 (RMSE)（上图中红线和蓝线之间的误差距离）？任何帮助，将不胜感激。

【问题讨论】：

要在 x 和 y 两个列表之间找到 RMSE，您可以使用 np.sqrt(np.mean((x-y)**2))。
@TylerChen，这给出了 NaN 值先生。
是数组中的所有条目的常规数字，还是有一些 inf 或 NaN？
@TylerChen，是的，他们是常规号码，先生。为了可重复性，我在帖子中包含了小数据集。它只有大约 400 行，它不会花费您太多时间重新运行并检查它是否适合您。谢谢。
你能贴出你想找到 RMSE 的两个数组吗？我没有安装pykalman。

标签： python-3.x numpy kalman-filter mean-square-error pykalman

【解决方案1】：

试试这个！

from sklearn.metrics import mean_squared_error

mean_squared_error( measurements[:,1], state_means)

【讨论】：

【解决方案2】：

在scikit-learn 0.22.0 中，您可以通过mean_squared_error() 参数squared=False 来返回RMSE。

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

【讨论】：