Kök Ortalama Kare Hata (RMSE) Hesaplama

Kök Ortalama Kare Hata (RMSE) Hesaplama

Popüler AI Skill PRO

Hesaplamaya Girin

Formül

RMSE=1n∑i=1n(Gerçeki−Tahmini)2\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( {{\text{Gerçek}_i}} - {{\text{Tahmin}_i}} \right)^2}
Kullanım istatistikleri

Reklam

Sonuç

Kök Ortalama Kare Hata
0,6124
RMSE
Veri noktası sayısı (n) 4
Ortalama Kare Hata (MSE) 0,375
Ortalama Mutlak Hata (MAE) 0,5

Bu sayfadaki bir hatayı bildir

Kök Ortalama Kare Hata (RMSE) Nedir?

Kök Ortalama Kare Hata (RMSE), bir modelin tahminlerinin gözlemlenen (gerçek) değerlerden ne kadar saptığını ölçmek için en yaygın kullanılan ölçütlerden biridir. Tahmin hatasının tipik büyüklüğünü verilerle aynı birimde ifade eder; bu da yorumlamayı kolaylaştırır. RMSE değeri ne kadar düşükse model o kadar iyi uyum sağlar, sıfır olması ise tahminlerin kusursuz olduğu anlamına gelir.

Regresyon doğrusu ve noktalarla doğru arasındaki dikey artık çizgileri olan dağılım grafiği
RMSE artıkları özetler — gerçek noktalar ile tahmin edilen değerler arasındaki dikey farkları.

Hesaplama Aracını Nasıl Kullanırsınız?

Gerçek değerlerinizi ve tahmin edilen değerlerinizi iki ayrı liste olarak, virgül veya boşlukla ayırarak girin. İki listenin eleman sayısı aynı olmalıdır; farklıysa hesaplama aracı eşleşen ilk n çifti kullanır. Hesapla düğmesine tıkladığınızda RMSE değerini, ayrıca daha geniş bir bakış sunması için Ortalama Kare Hata (MSE) ve Ortalama Mutlak Hata (MAE) değerlerini görürsünüz.

Formülün Açıklaması

RMSE dört adımda hesaplanır: (1) her tahmin değerini ilgili gerçek değerden çıkararak hatayı bulun, (2) pozitif ve negatif değerlerin birbirini götürmemesi için her hatanın karesini alın, (3) bu kare hataların ortalamasını alarak MSE'yi elde edin ve (4) orijinal birime dönmek için karekökünü alın. Kare alma işlemi büyük hatalara daha fazla ağırlık verir; bu nedenle RMSE, MAE'ye kıyasla aykırı değerlere (outlier) karşı daha duyarlıdır.

$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$
Reklam
Hatalardan kareye, ortalamaya ve kareköke kadar RMSE formülünün adımlarını gösteren düz şema
Her hata karesi alınır, ortalaması bulunur ve ardından sonucu orijinal birimlere döndürmek için karekökü alınır.

Örnek Çözüm

Diyelim ki gerçek = [3, -0,5, 2, 7] ve tahmin = [2,5, 0,0, 2, 8]. Hatalar 0,5, -0,5, 0, -1 olur. Kareleri: 0,25, 0,25, 0, 1, bunların toplamı 1,5'tir. n = 4'e bölünce MSE = 0,375 olur. Karekökü alındığında RMSE ≈ 0,6124 çıkar. MAE ise \((0{,}5 + 0{,}5 + 0 + 1)/4 = 0{,}5\)'tir.

Reklam

Ek Çözümlü Örnekler

Her iki örnekte de beş günlük sıcaklık tahminleri °C cinsinden kullanılmaktadır. Her hata \(e_i = \text{Gerçek}_i - \text{Tahmin}_i\) biçiminde tanımlanır. Kare hatalar MSE ve RMSE'yi, mutlak hatalar ise MAE'yi verir. İki veri kümesi yalnızca 5. gün bakımından farklıdır; böylece tek bir büyük sapmanın her ölçütü nasıl etkilediğini görebilirsiniz.

Örnek 1: Makul Derecede Doğru Bir Tahmin

Gerçek sıcaklıklar: 20, 22, 25, 24, 21. Tahmin edilen sıcaklıklar: 21, 20, 25, 27, 22.

Gün Gerçek (°C) Tahmin (°C) Hata \(e_i\) Kare hata \(e_i^2\) Mutlak hata \(|e_i|\)
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
Toplam 15 7
  1. Kare hataların toplamı: \(1 + 4 + 0 + 9 + 1 = 15\)
  2. MSE: $$\text{MSE} = \frac{15}{5} = 3$$
  3. RMSE: $$\text{RMSE} = \sqrt{3} \approx 1.7321$$
  4. MAE: $$\text{MAE} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$

Sonuç: RMSE ≈ 1.7321 °C ve MAE = 1.4 °C. İki değer birbirine yakındır (RMSE/MAE ≈ 1.24), çünkü tüm hatalar yaklaşık aynı büyüklüktedir.

Örnek 2: Bir Büyük Sapması Olan Aynı Tahmin

5. gün dışında her şey aynı kalır; bu günde tahmin 22 °C yerine 31 °C'dir. Gerçek sıcaklık yine 21 °C'dir.

Gün Gerçek (°C) Tahmin (°C) Hata \(e_i\) Kare hata \(e_i^2\) Mutlak hata \(|e_i|\)
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
Toplam 114 16
  1. Kare hataların toplamı: \(1 + 4 + 0 + 9 + 100 = 114\)
  2. MSE: $$\text{MSE} = \frac{114}{5} = 22.8$$
  3. RMSE: $$\text{RMSE} = \sqrt{22.8} \approx 4.7749$$
  4. MAE: $$\text{MAE} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$

Sonuç: RMSE ≈ 4.7749 °C ve MAE = 3.2 °C.

İki Örneğin Karşılaştırılması

Ölçüt Örnek 1 Örnek 2 Artış
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 —

10 °C sapan tek bir tahmin, toplam 114 kare hatanın 100'ünü, yani yaklaşık %88'ini oluşturmuştur. MAE bu sapmayı, toplam 16 hata biriminin 10'u olarak sayar. RMSE ortalamadan önce her hatanın karesini aldığı için, MAE'ye göre çok daha fazla artmıştır. RMSE, MAE'den çok daha büyük olduğunda, skoru genellikle birkaç büyük hata belirler. Tüm modelin kötü olup olmadığına karar vermeden önce bu tek tek noktalara bakın.

Birimler: RMSE ve MAE, verilerle aynı birim olan °C cinsindendir. MSE ise °C² cinsindendir; bu nedenle RMSE genellikle yorumlanması daha kolay olan ölçüttür.

Sıkça Sorulan Sorular

İyi bir RMSE değeri nedir? Bu tamamen verilerinizin ölçeğine bağlıdır. RMSE'yi hedef değişkeninizin aralığı veya ortalamasıyla ya da bir referans (baseline) modelle kıyaslayın.

RMSE ile MAE arasındaki fark nedir? RMSE hataların karesini alıp ortalamasını alır, böylece büyük hataları daha ağır şekilde cezalandırır; MAE ise tüm hataları orantılı olarak ele alır.

RMSE negatif olabilir mi? Hayır. Karelerin ortalamasının karekökü olduğundan RMSE her zaman sıfır veya pozitiftir.

Son güncelleme:

Matematik ve İstatistik kategorisinde en popüler

Tüm Matematik ve İstatistik hesap makinelerini gör