ما هو الجذر التربيعي لمتوسط مربعات الخطأ (RMSE)؟
يُعدّ الجذر التربيعي لمتوسط مربعات الخطأ (RMSE) من أكثر المقاييس استخدامًا لمعرفة مدى انحراف توقعات النموذج عن القيم الفعلية المرصودة. ويعبّر هذا المقياس عن الحجم المعتاد لخطأ التنبؤ بالوحدات نفسها التي تُقاس بها البيانات، مما يجعل تفسيره سهلًا وواضحًا. فكلما انخفضت قيمة RMSE دلّ ذلك على دقة أفضل للنموذج، أما إذا كانت القيمة صفرًا فهذا يعني أن التوقعات مطابقة تمامًا للواقع.
كيفية استخدام هذه الحاسبة
أدخل القيم الفعلية والقيم المتوقعة على هيئة قائمتين، مفصولة بفواصل أو مسافات. ويجب أن تتساوى القائمتان في عدد العناصر؛ وإذا اختلفتا في العدد فإن الحاسبة تعتمد على أول n من الأزواج المتطابقة. اضغط على زر الحساب لتظهر لك قيمة RMSE، إلى جانب متوسط مربعات الخطأ (MSE) ومتوسط القيمة المطلقة للخطأ (MAE) لمزيد من السياق.
شرح المعادلة
تُحسب قيمة RMSE في أربع خطوات: (1) اطرح كل قيمة متوقعة من القيمة الفعلية المقابلة لها للحصول على الخطأ، (2) ربّع كل خطأ حتى لا تُلغي القيم الموجبة والسالبة بعضها، (3) احسب متوسط هذه المربعات للحصول على قيمة MSE، (4) خذ الجذر التربيعي للعودة إلى الوحدات الأصلية. وبما أن التربيع يمنح الأخطاء الكبيرة وزنًا أكبر، فإن RMSE يكون أكثر حساسية للقيم الشاذة مقارنةً بـ MAE.
$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$
مثال تطبيقي
لنفترض أن القيم الفعلية = [3, -0.5, 2, 7] والقيم المتوقعة = [2.5, 0.0, 2, 8]. تكون الأخطاء: \(0.5\) و\(-0.5\) و\(0\) و\(-1\). وبعد التربيع: \(0.25\) و\(0.25\) و\(0\) و\(1\)، ويبلغ مجموعها \(1.5\). وبالقسمة على \(n = 4\) نحصل على \(\text{MSE} = 0.375\). ويعطينا الجذر التربيعي قيمة \(\text{RMSE} \approx 0.6124\). أما MAE فهو \((0.5 + 0.5 + 0 + 1) \div 4 = 0.5\).
أمثلة محلولة إضافية
يستخدم المثالان توقعات درجات الحرارة بالدرجة المئوية على مدى خمسة أيام. كل خطأ هو \(e_i = \text{Actual}_i - \text{Predicted}_i\). تُستخدم الأخطاء المربعة لحساب متوسط مربع الخطأ (MSE) وجذر متوسط مربع الخطأ (RMSE)، وتُستخدم الأخطاء المطلقة لحساب متوسط الخطأ المطلق (MAE). المجموعتان متطابقتان باستثناء اليوم 5، حتى تتضح تأثير خطأ كبير واحد على كل مقياس.
المثال 1: توقع دقيق إلى حد معقول
درجات الحرارة الفعلية: 20، 22، 25، 24، 21. درجات الحرارة المتوقعة: 21، 20، 25، 27، 22.
| اليوم | الفعلي (°C) | المتوقع (°C) | الخطأ \(e_i\) | الخطأ المربع \(e_i^2\) | الخطأ المطلق \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 22 | −1 | 1 | 1 |
| المجموع | 15 | 7 | |||
- مجموع الأخطاء المربعة: \(1 + 4 + 0 + 9 + 1 = 15\)
- متوسط مربع الخطأ (MSE): $$\text{متوسط مربع الخطأ} = \frac{15}{5} = 3$$
- جذر متوسط مربع الخطأ (RMSE): $$\text{جذر متوسط مربع الخطأ} = \sqrt{3} \approx 1.7321$$
- متوسط الخطأ المطلق (MAE): $$\text{متوسط الخطأ المطلق} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$
النتيجة: RMSE ≈ 1.7321 °C وMAE = 1.4 °C. القيمتان متقاربتان (RMSE/MAE ≈ 1.24) لأن جميع الأخطاء متساوية تقريباً في الحجم.
المثال 2: التوقع نفسه مع خطأ كبير واحد
كل شيء يبقى كما هو، باستثناء اليوم 5 حيث كان التوقع 31 °C بدلاً من 22 °C. أما درجة الحرارة الفعلية فبقيت 21 °C.
| اليوم | الفعلي (°C) | المتوقع (°C) | الخطأ \(e_i\) | الخطأ المربع \(e_i^2\) | الخطأ المطلق \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 31 | −10 | 100 | 10 |
| المجموع | 114 | 16 | |||
- مجموع الأخطاء المربعة: \(1 + 4 + 0 + 9 + 100 = 114\)
- متوسط مربع الخطأ (MSE): $$\text{متوسط مربع الخطأ} = \frac{114}{5} = 22.8$$
- جذر متوسط مربع الخطأ (RMSE): $$\text{جذر متوسط مربع الخطأ} = \sqrt{22.8} \approx 4.7749$$
- متوسط الخطأ المطلق (MAE): $$\text{متوسط الخطأ المطلق} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$
النتيجة: RMSE ≈ 4.7749 °C وMAE = 3.2 °C.
مقارنة المثالين
| المقياس | المثال 1 | المثال 2 | الزيادة |
|---|---|---|---|
| MSE (°C²) | 3 | 22.8 | ×7.6 |
| RMSE (°C) | 1.7321 | 4.7749 | +3.0428 (×2.76) |
| MAE (°C) | 1.4 | 3.2 | +1.8 (×2.29) |
| RMSE ÷ MAE | 1.24 | 1.49 | — |
توقع واحد كان خاطئاً بمقدار 10 °C شكّل 100 من إجمالي مجموع الأخطاء المربعة البالغ 114، أي نحو 88%. يحتسب MAE هذا الخطأ بوصفه 10 وحدات خطأ من إجمالي 16 وحدة. ولأن RMSE يربّع كل خطأ قبل حساب المتوسط، فقد ارتفع أكثر بكثير مما ارتفع MAE. وعندما يكون RMSE أكبر بكثير من MAE، فغالباً ما تكون بضعة أخطاء كبيرة هي السبب في ارتفاع الدرجة. انظر إلى هذه النقاط الفردية قبل أن تحكم بأن النموذج كله سيئ.
الوحدات: RMSE وMAE بالدرجة المئوية (°C)، وهي الوحدة نفسها المستخدمة في البيانات. أما MSE فبوحدة °C²، ولهذا يكون RMSE غالباً أسهل في التفسير.
الأسئلة الشائعة
ما هي قيمة RMSE الجيدة؟ يعتمد ذلك كليًا على مقياس بياناتك. قارن قيمة RMSE بمدى المتغير المستهدف أو بمتوسطه، أو قارنها بنموذج مرجعي أساسي.
ما الفرق بين RMSE وMAE؟ يقوم RMSE بتربيع الأخطاء قبل حساب المتوسط، فيعاقب الأخطاء الكبيرة بشدة أكبر، بينما يتعامل MAE مع جميع الأخطاء بشكل متناسب.
هل يمكن أن تكون قيمة RMSE سالبة؟ لا. فبما أنه الجذر التربيعي لمتوسط مجموعة من المربعات، تكون قيمة RMSE دائمًا صفرًا أو موجبة.