Inhalt
Wenn Wissenschaftler, Wirtschaftswissenschaftler oder Statistiker theoretische Vorhersagen treffen und dann reale Daten erfassen, müssen sie die Abweichung zwischen vorhergesagten und gemessenen Werten messen können. Sie basieren normalerweise auf dem mittleren quadratischen Fehler (MSE), der die Summe der Variationen der einzelnen Datenpunkte im Quadrat und geteilt durch die Anzahl der Datenpunkte minus 2 ist. Wenn die Daten in einem Diagramm angezeigt werden, bestimmen Sie den MSE durch Summieren der Variationen in den Datenpunkten der vertikalen Achse. In einem x-y-Diagramm wären dies die y-Werte.
Warum die Variationen quadrieren?
Das Multiplizieren der Variation zwischen vorhergesagten und beobachteten Werten hat zwei wünschenswerte Wirkungen. Die erste besteht darin, sicherzustellen, dass alle Werte positiv sind. Wenn ein oder mehrere Werte negativ wären, könnte die Summe aller Werte unrealistisch klein sein und die tatsächliche Abweichung zwischen vorhergesagten und beobachteten Werten schlecht wiedergeben. Der zweite Vorteil der Quadratur besteht darin, dass größere Unterschiede stärker gewichtet werden, wodurch sichergestellt wird, dass ein großer Wert für MSE große Datenschwankungen bedeutet.
Beispielberechnung Stock-Algorithmus
Angenommen, Sie haben einen Algorithmus, der die Kurse einer bestimmten Aktie täglich vorhersagt. Am Montag wird ein Aktienkurs von 5,50 USD prognostiziert, am Dienstag von 6,00 USD, am Mittwoch von 6,00 USD, am Donnerstag von 7,50 USD und am Freitag von 8,00 USD. Wenn Sie Montag als Tag 1 betrachten, haben Sie eine Reihe von Datenpunkten, die wie folgt aussehen: (1, 5,50), (2, 6,00), (3, 6,00), (4, 7,50) und (5, 8,00). Die tatsächlichen Preise sind wie folgt: Montag 4,75 $ (1, 4,75); Dienstag 5,35 USD (2, 5,35 USD); Mittwoch 6,25 USD (3, 6,25 USD); Donnerstag 7,25 USD (4, 7,25 USD); und Freitag: 8,50 USD (5, 8,50 USD).
Die Variationen zwischen den y-Werten dieser Punkte betragen 0,75, 0,65, -0,25, 0,25 bzw. -0,50, wobei das negative Vorzeichen einen vorhergesagten Wert anzeigt, der kleiner als der beobachtete ist. Um den MSE zu berechnen, quadrieren Sie zuerst jeden Variationswert, wobei die Minuszeichen eliminiert werden und sich 0,5625, 0,4225, 0,0625, 0,0625 und 0,25 ergeben. Die Summe dieser Werte ergibt 1,36 und die Division durch die Anzahl der Messungen minus 2, was 3 ist, ergibt den MSE, der sich als 0,45 herausstellt.
MSE und RMSE
Kleinere Werte für MSE zeigen eine engere Übereinstimmung zwischen vorhergesagten und beobachteten Ergebnissen an, und ein MSE von 0,0 zeigt eine perfekte Übereinstimmung an. Es ist jedoch wichtig, sich daran zu erinnern, dass die Variationswerte im Quadrat sind. Wenn eine Fehlermessung erforderlich ist, die sich in den gleichen Einheiten wie die Datenpunkte befindet, nehmen die Statistiker den quadratischen Mittelwertfehler (RMSE). Sie erhalten dies, indem sie die Quadratwurzel des mittleren Quadratfehlers nehmen. Für das obige Beispiel wäre der RSME 0,671 oder ungefähr 67 Cent.