هل الPercentage_error مناسبة للنموذج التالي ؟

Ali Ahmed55 · 9 فبراير

السلام عليكم

ده الكود

loss, accuracy = deep_hit_model.evaluate(x_test_scaled, y_target_test)
print(f"Test Loss: {loss}")

rmse = np.sqrt(loss)
print(f"Test Rmse: {loss}")

percentage_error = (rmse / np.mean(y_target_test)) * 100
print(f"Percentage_error: {percentage_error:.2f}%")

ودي نتجيه ال

Percentage Error: 51.93%

Mustafa Suleiman · 9 فبراير

ما حصلت عليه هو أنّ RMSE يساوي حوالي 52% من متوسط القيم الفعلية، وتلك النسبة مرتفعة في معظم التطبيقات العملية خاصةً في التوقعات المالية أو الطبية، بالتالي تحتاج إلى تحسين المعلمات، زيادة البيانات، وأمور أخرى.

وللعلم النسبة المئوية للخطأ تُحسب باستخدام MAPE (Mean Absolute Percentage Error)، لكونه مقياسًا معياريًّا لفهم متوسط الخطأ النسبي لكل عينة.

ما قمت به أنت هو (RMSE / Mean * 100) وذلك يعطي نتائج مضللة في حال تباين البيانات كبير.

loss, accuracy = deep_hit_model.evaluate(x_test_scaled, y_target_test)
print(f"Test Loss (MSE): {loss}")

mse = loss
rmse = np.sqrt(mse)
print(f"Test RMSE: {rmse}")

mean_actual = np.mean(y_target_test)
percentage_error = (rmse / mean_actual) * 100
print(f"Percentage Error (RMSE/Mean): {percentage_error:.2f}%")

# الأفضل: حساب MAPE للدقة
y_pred = deep_hit_model.predict(x_test_scaled)
mape = np.mean(np.abs((y_target_test - y_pred) / y_target_test)) * 100
print(f"MAPE: {mape:.2f}%")

Ali Ahmed55 · 9 فبراير

بتاريخ 10 دقائق مضت قال Mustafa Suleiman:
ما حصلت عليه هو أنّ RMSE يساوي حوالي 52% من متوسط القيم الفعلية، وتلك النسبة مرتفعة في معظم التطبيقات العملية خاصةً في التوقعات المالية أو الطبية، بالتالي تحتاج إلى تحسين المعلمات، زيادة البيانات، وأمور أخرى.

وللعلم النسبة المئوية للخطأ تُحسب باستخدام MAPE (Mean Absolute Percentage Error)، لكونه مقياسًا معياريًّا لفهم متوسط الخطأ النسبي لكل عينة.

ما قمت به أنت هو (RMSE / Mean * 100) وذلك يعطي نتائج مضللة في حال تباين البيانات كبير.
loss, accuracy = deep_hit_model.evaluate(x_test_scaled, y_target_test)
print(f"Test Loss (MSE): {loss}")

mse = loss
rmse = np.sqrt(mse)
print(f"Test RMSE: {rmse}")

mean_actual = np.mean(y_target_test)
percentage_error = (rmse / mean_actual) * 100
print(f"Percentage Error (RMSE/Mean): {percentage_error:.2f}%")

# الأفضل: حساب MAPE للدقة
y_pred = deep_hit_model.predict(x_test_scaled)
mape = np.mean(np.abs((y_target_test - y_pred) / y_target_test)) * 100
print(f"MAPE: {mape:.2f}%")

انا اصلان عاوز ان استخدم الداله دي MSE (Mean Squared Error) ولكن بيحصل الخطاء ده مش عارف ليه

mean_squared_error_value = mean_squared_error(y_target_test , target , multioutput='uniform_average') 
print(f"Mean Squared Error: {mean_squared_error_value}")

ولكن بيظهر الخطاء ده

File "e:\PYHON\project-lifetrack\lifetrack2.py", line 246, in <module>
    mean_squared_error_value = mean_squared_error(y_target_test , target , multioutput='uniform_average') 
                               ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\utils\_param_validation.py", line 216, in wrapper
    return func(*args, **kwargs)
           ^^^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 565, in mean_squared_error
    _check_reg_targets_with_floating_dtype(
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 198, in _check_reg_targets_with_floating_dtype
    y_type, y_true, y_pred, multioutput = _check_reg_targets(
                                          ^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 104, in _check_reg_targets
    check_consistent_length(y_true, y_pred)
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\utils\validation.py", line 475, in check_consistent_length
    raise ValueError(
ValueError: Found input variables with inconsistent numbers of samples: [4320, 3]

محمد عاطف17 · 9 فبراير

وعليكم السلام ورحمة الله وبركاته.

يجب عليك التأكد من أن الـ loss الذي يتم استخدامه لحساب الـ RMSE هو بالفعل Mean Squared Error (MSE) وليس نوعا آخر من الدوال الخسارة (Loss Functions). حيث إذا كان الـ loss ليس MSE فإن حساب الـ RMSE بهذه الطريقة لن يكون صحيحا.

لذلك إذا كانت الدالة هيMSE فإن النسبة المئوية للخطأ التي تم الحصول عليها هي 51.93%. هذا يعني أن الخطأ في النموذج يمثل حوالي 51.93% من متوسط القيم الفعلية وهذه القيمة ليست جيدة

بتاريخ 1 دقيقة مضت قال Ali Ahmed55:

انا اصلان عاوز ان استخدم الداله دي MSE (Mean Squared Error) ولكن بيحصل الخطاء ده مش عارف ليه

mean_squared_error_value = mean_squared_error(y_target_test , target , multioutput='uniform_average') 
print(f"Mean Squared Error: {mean_squared_error_value}")

ولكن بيظهر الخطاء ده

File "e:\PYHON\project-lifetrack\lifetrack2.py", line 246, in <module>
    mean_squared_error_value = mean_squared_error(y_target_test , target , multioutput='uniform_average') 
                               ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\utils\_param_validation.py", line 216, in wrapper
    return func(*args, **kwargs)
           ^^^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 565, in mean_squared_error
    _check_reg_targets_with_floating_dtype(
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 198, in _check_reg_targets_with_floating_dtype
    y_type, y_true, y_pred, multioutput = _check_reg_targets(
                                          ^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 104, in _check_reg_targets
    check_consistent_length(y_true, y_pred)
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\utils\validation.py", line 475, in check_consistent_length
    raise ValueError(
ValueError: Found input variables with inconsistent numbers of samples: [4320, 3]

هذه المشكلة بسبب أبعاد البيانات حيث :

y_target_test يحتوي على 4320 عنصر
target يحتوي على 3 عناصر فقط

لذلك يرجى أولا التأكد من الأبعاد الصحيحة :

print(y_target_test.shape) 
print(target.shape)

وإذا كانت الأبعاد مختلفة يجب عليك التأكد من جعل الأبعاد متشابهة

Mustafa Suleiman · 9 فبراير

بتاريخ 2 ساعة قال Ali Ahmed55:

انا اصلان عاوز ان استخدم الداله دي MSE (Mean Squared Error) ولكن بيحصل الخطاء ده مش عارف ليه

mean_squared_error_value = mean_squared_error(y_target_test , target , multioutput='uniform_average') 
print(f"Mean Squared Error: {mean_squared_error_value}")

ولكن بيظهر الخطاء ده

File "e:\PYHON\project-lifetrack\lifetrack2.py", line 246, in <module>
    mean_squared_error_value = mean_squared_error(y_target_test , target , multioutput='uniform_average') 
                               ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\utils\_param_validation.py", line 216, in wrapper
    return func(*args, **kwargs)
           ^^^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 565, in mean_squared_error
    _check_reg_targets_with_floating_dtype(
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 198, in _check_reg_targets_with_floating_dtype
    y_type, y_true, y_pred, multioutput = _check_reg_targets(
                                          ^^^^^^^^^^^^^^^^^^^
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 104, in _check_reg_targets
    check_consistent_length(y_true, y_pred)
  File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\utils\validation.py", line 475, in check_consistent_length
    raise ValueError(
ValueError: Found input variables with inconsistent numbers of samples: [4320, 3]

متغيرات y_target_test و target لديهما أبعاد غير متوافقة، لاحظ y_target_test يحتوي على 4320 عينة وtarget يحتوي على 3 عينات.

ربما الـ target الذي تستخدمه في الدالة ليس توقعات النموذج، بل هو متغير آخر بأبعاد خاطئة، عليك استخدام model.predict() لإنشاء التوقعات:

y_pred = deep_hit_model.predict(x_test_scaled)
mean_squared_error_value = mean_squared_error(y_target_test, y_pred)

أو النموذج يعود بمخرجات متعددة Multi-output Regression، فسيكو يكون y_pred ذو شكل (num_samples, num_outputs)، بينما y_target_test له شكل (num_samples,).

بالتالي لو y_target_test له شكل (4320,)، فيجب أن يكون y_pred له شكل (4320, 1) أو (4320,).

y_pred = y_pred.reshape(-1, 1)
# أو
y_target_test = y_target_test.reshape(-1, 1)

أو ربما استخدمت اسم متغير خاطئ مثل target بدلًا من y_pred.

Ali Ahmed55 · 9 فبراير

بتاريخ 40 دقائق مضت قال Mustafa Suleiman:
ربما الـ target الذي تستخدمه في الدالة ليس توقعات النموذج، بل هو متغير آخر بأبعاد خاطئة، عليك استخدام model.predict() لإنشاء التوقعات:
 

الا هو بس زي هو الملف عبار عن 3 صفوف فعلان

الف شكراا جدا جدا لحضرتكم

جزاكم الله كل خير

Ali Ahmed55 · 10 فبراير

بتاريخ 17 ساعة قال Mustafa Suleiman:
متغيرات y_target_test و target لديهما أبعاد غير متوافقة، لاحظ y_target_test يحتوي على 4320 عينة وtarget يحتوي على 3 عينات.

ربما الـ target الذي تستخدمه في الدالة ليس توقعات النموذج، بل هو متغير آخر بأبعاد خاطئة، عليك استخدام model.predict() لإنشاء التوقعات:
y_pred = deep_hit_model.predict(x_test_scaled)
mean_squared_error_value = mean_squared_error(y_target_test, y_pred)
أو النموذج يعود بمخرجات متعددة Multi-output Regression، فسيكو يكون y_pred ذو شكل (num_samples, num_outputs)، بينما y_target_test له شكل (num_samples,).

بالتالي لو y_target_test له شكل (4320,)، فيجب أن يكون y_pred له شكل (4320, 1) أو (4320,).
y_pred = y_pred.reshape(-1, 1)
# أو
y_target_test = y_target_test.reshape(-1, 1)
أو ربما استخدمت اسم متغير خاطئ مثل target بدلًا من y_pred.

طيب مش ممكن ان اخد فقط 3 صفوف من العمود غy_target_test عشان يكون متسوي مع الtarget ؟

هل الPercentage_error مناسبة للنموذج التالي ؟

السؤال

Ali Ahmed55

6 أجوبة على هذا السؤال

Recommended Posts

Mustafa Suleiman

Ali Ahmed55

محمد عاطف17

Mustafa Suleiman

Ali Ahmed55

Ali Ahmed55

انضم إلى النقاش

إعلانات

تابعنا على

الرئيسية

تابعنا

دروس ومقالات

أسئلة وأجوبة

كتب

دورات

بطاقات هدية