• Das RSS ist die Summe des Quadrats der Fehler (Differenz zwischen Berechnung und Messung oder geschätzte und reale Werte):

$ RSS = \ sum {(\ hat Y_i-Y_i) ^ 2} $ span>

• Die MSE ist der Mittelwert dieser Summe des Quadrats der Fehler:

$ MSE = \ frac {1} {n} \ sum {(\ hat Y_i-Y_i) ^ 2} $ span>

• Der RMSE ist die Quadratwurzel der MSE:

$ RMSE = \ sqrt {MSE} $ span>

Ein bisschen Mathe zeigt:

$ RMSE = \ sqrt {MSE} = \ sqrt {\ frac {1} {n} \ cdot RSS} $ span>

Sie können dies im Beispiel überprüfen Sie haben gepostet:

$ RMSE = \ sqrt {\ frac {1} {32} \ cdot 447.6743} = 3.740297 $ span>

Beachten Sie, dass für das mtcars-Dataset $ n = 32 $ span>.

Auch Siehe diese Frage

Mit den mathematischen Ableitungen könnten Sie sich fragen, warum Sie ein Maß über das andere verwenden, um die Leistung eines bestimmten Modells zu bewerten.Sie können beides verwenden, aber der Vorteil von RMSE besteht darin, dass es in besser interpretierbaren Einheiten angezeigt wird.Wenn Sie beispielsweise ein Modell erstellen, das Hausmerkmale verwendet, um die Immobilienpreise vorherzusagen, wird RSS in Quadrat-Dollar ausgegeben und ist eine wirklich große Zahl.RMSE würde in Dollar ausgegeben und seine Größe wäre angesichts der Bandbreite Ihrer Hauspreisvorhersagen sinnvoller.