रूट मीन स्क्वायर एरर (RMSE) क्या है?
रूट मीन स्क्वायर एरर (RMSE) किसी मॉडल के अनुमान वास्तविक (observed) मानों से कितने दूर हैं, यह मापने के लिए सबसे ज़्यादा इस्तेमाल होने वाली मेट्रिक्स में से एक है। यह पूर्वानुमान की औसत त्रुटि को उन्हीं इकाइयों में दर्शाता है जिनमें आपका डेटा है, इसलिए इसे समझना आसान होता है। RMSE जितना कम होगा, मॉडल उतना ही बेहतर माना जाता है, और RMSE शून्य होने का अर्थ है कि अनुमान बिल्कुल सटीक हैं।
इस कैलकुलेटर का उपयोग कैसे करें
अपने वास्तविक मान और अपने अनुमानित मान दो सूचियों के रूप में दर्ज करें, जिन्हें कॉमा या स्पेस से अलग किया गया हो। दोनों सूचियों में मानों की संख्या समान होनी चाहिए; यदि वे अलग-अलग हों, तो कैलकुलेटर पहले n मिलते-जुलते जोड़ों का उपयोग करता है। गणना (calculate) पर क्लिक करते ही आपको RMSE के साथ-साथ मीन स्क्वायर्ड एरर (MSE) और मीन एब्सोल्यूट एरर (MAE) भी दिखाई देंगे, जिससे आपको पूरा संदर्भ मिल जाएगा।
फ़ॉर्मूला आसान शब्दों में
RMSE की गणना चार चरणों में होती है: (1) हर अनुमानित मान को उसके वास्तविक मान में से घटाकर त्रुटि (error) निकालें, (2) हर त्रुटि का वर्ग करें ताकि धनात्मक और ऋणात्मक मान एक-दूसरे को रद्द न कर दें, (3) इन वर्ग की गई त्रुटियों का औसत निकालकर MSE प्राप्त करें, और (4) वर्गमूल लेकर वापस मूल इकाइयों में पहुँचें। वर्ग करने से बड़ी त्रुटियों को ज़्यादा महत्व मिलता है, इसलिए MAE की तुलना में RMSE आउटलायर्स (असामान्य मानों) के प्रति ज़्यादा संवेदनशील होता है।
$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$
हल किया गया उदाहरण
मान लीजिए वास्तविक = [3, -0.5, 2, 7] और अनुमानित = [2.5, 0.0, 2, 8]। तब त्रुटियाँ होंगी \(0.5,\ -0.5,\ 0,\ -1\)। इनके वर्ग: \(0.25,\ 0.25,\ 0,\ 1\), जिनका योग \(1.5\) है। इसे \(n = 4\) से भाग देने पर \(\text{MSE} = 0.375\) मिलता है। इसका वर्गमूल \(\text{RMSE} \approx 0.6124\) देता है। MAE होगा \((0.5 + 0.5 + 0 + 1)/4 = 0.5\)।
और कार्य किए गए उदाहरण
दोनों उदाहरण पाँच दिनों के °C में तापमान पूर्वानुमान का उपयोग करते हैं। प्रत्येक त्रुटि \(e_i = \text{वास्तविक}_i - \text{पूर्वानुमानित}_i\) है। वर्ग त्रुटियों से माध्य वर्ग त्रुटि (MSE) और मूल माध्य वर्ग त्रुटि (RMSE) मिलते हैं, और निरपेक्ष त्रुटियों से माध्य निरपेक्ष त्रुटि (MAE) मिलता है। दोनों डेटा समूह केवल दिन 5 में अलग हैं, इसलिए आप देख सकते हैं कि एक बड़ी चूक हर मीट्रिक पर क्या असर डालती है।
उदाहरण 1: एक उचित रूप से सटीक पूर्वानुमान
वास्तविक तापमान: 20, 22, 25, 24, 21। पूर्वानुमानित तापमान: 21, 20, 25, 27, 22।
| दिन | वास्तविक (°C) | पूर्वानुमानित (°C) | त्रुटि \(e_i\) | वर्ग त्रुटि \(e_i^2\) | निरपेक्ष त्रुटि \(|e_i|\) |
|---|---|---|---|---|---|
| 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 |
| योग | 15 | 7 | |||
- वर्ग त्रुटियों का योग: \(1 + 4 + 0 + 9 + 1 = 15\)
- MSE: $$\text{MSE} = \frac{15}{5} = 3$$
- RMSE: $$\text{RMSE} = \sqrt{3} \approx 1.7321$$
- MAE: $$\text{MAE} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$
परिणाम: RMSE ≈ 1.7321 °C और MAE = 1.4 °C। दोनों मान लगभग बराबर हैं (RMSE/MAE ≈ 1.24), क्योंकि सभी त्रुटियाँ लगभग एक ही आकार की हैं।
उदाहरण 2: वही पूर्वानुमान, एक बड़ी चूक के साथ
सब कुछ वही रहता है, सिवाय दिन 5 के, जहाँ पूर्वानुमान 22 °C के बजाय 31 °C था। वास्तविक तापमान अब भी 21 °C था।
| दिन | वास्तविक (°C) | पूर्वानुमानित (°C) | त्रुटि \(e_i\) | वर्ग त्रुटि \(e_i^2\) | निरपेक्ष त्रुटि \(|e_i|\) |
|---|---|---|---|---|---|
| 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 |
| योग | 114 | 16 | |||
- वर्ग त्रुटियों का योग: \(1 + 4 + 0 + 9 + 100 = 114\)
- MSE: $$\text{MSE} = \frac{114}{5} = 22.8$$
- RMSE: $$\text{RMSE} = \sqrt{22.8} \approx 4.7749$$
- MAE: $$\text{MAE} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$
परिणाम: RMSE ≈ 4.7749 °C और MAE = 3.2 °C।
दोनों उदाहरणों की तुलना
| मीट्रिक | उदाहरण 1 | उदाहरण 2 | वृद्धि |
|---|---|---|---|
| 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 | — |
एक अकेला पूर्वानुमान, जो 10 °C दूर था, कुल 114 वर्ग त्रुटि में से 100 बनाता है, यानी लगभग 88%। MAE उस चूक को कुल 16 त्रुटि इकाइयों में से 10 गिनता है। चूँकि RMSE औसत निकालने से पहले हर त्रुटि का वर्ग करता है, इसलिए यह MAE की तुलना में कहीं अधिक बढ़ गया। जब RMSE, MAE से काफी बड़ा होता है, तो आमतौर पर कुछ बड़ी त्रुटियाँ स्कोर को प्रभावित कर रही होती हैं। पूरे मॉडल को खराब मानने से पहले उन अलग-अलग बिंदुओं को देखें।
इकाइयाँ: RMSE और MAE °C में हैं, जो डेटा की इकाई के समान है। MSE °C² में है, इसीलिए RMSE को समझना अक्सर आसान होता है।
अक्सर पूछे जाने वाले प्रश्न
अच्छा RMSE मान कितना होता है? यह पूरी तरह आपके डेटा के पैमाने (scale) पर निर्भर करता है। RMSE की तुलना अपने टारगेट वेरिएबल की रेंज या औसत से, या किसी बेसलाइन मॉडल से करें।
RMSE और MAE में क्या अंतर है? RMSE औसत निकालने से पहले त्रुटियों का वर्ग करता है, इसलिए यह बड़ी त्रुटियों को ज़्यादा कड़ी सज़ा देता है, जबकि MAE सभी त्रुटियों को समान अनुपात में मानता है।
क्या RMSE ऋणात्मक हो सकता है? नहीं। चूँकि यह वर्गों के औसत का वर्गमूल है, इसलिए RMSE हमेशा शून्य या धनात्मक ही होता है।