خطای میانگین مربعات ریشهای (RMSE)
خطای میانگین مربعات ریشهای (Root Mean Squared Error) معیاری پرکاربرد است که میانگین بزرگی خطاهای پیشبینی در مدلهای رگرسیون را اندازهگیری میکند. RMSE که ریشه در کار کارل فردریش گاوس بر روی برآورد حداقل مربعات (1809) دارد، با میانگینگیری از تفاضلهای مربعی و سپس گرفتن جذر، میزان انحراف پیشبینیها از مقادیر مشاهدهشده را کمی میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Gauss, C. F. (1809). Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Hamburg: Perthes and Besser. link ↗
- Legendre, A. M. (1805). Nouvelles méthodes pour la détermination des orbites des comètes. Paris: F. Didot. link ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). New York: Springer. DOI: 10.1007/978-0-387-84858-7 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Root Mean Squared Error. ScholarGate. https://scholargate.app/fa/model-evaluation/root-mean-squared-error
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- میانگین خطای مطلق (MAE)ارزیابی مدل↔ compare
- خطای مطلق میانگین درصدی (MAPE)ارزیابی مدل↔ compare
- میانگین مربعات خطا (MSE)ارزیابی مدل↔ compare
- ضریب تعیین (R²)ارزیابی مدل↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →