Ortalama Karekök Hata (RMSE)
Root Mean Squared Error · Ayrıca şöyle bilinir: RMSE, RMS error, quadratic mean error
Ortalama Karekök Hata (RMSE), regresyon modellerindeki tahmin hatalarının ortalama büyüklüğünü ölçen, yaygın olarak kullanılan bir metriktir. Carl Friedrich Gauss'un en küçük kareler tahmini üzerine yaptığı çalışmalardan (1809) kaynaklanan RMSE, karelenmiş farkların ortalamasını alarak ve karekökünü bularak tahminlerin gözlemlenen değerlerden ne kadar saptığını nicelendirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
RMSE, tahmin doğruluğunun tek bir sayısal özetini istediğiniz sürekli regresyon problemleri için uygundur. Özellikle büyük hataların maliyetinin yüksek olduğu durumlarda (örn. finansal tahmin, güvenliği kritik uygulamalar) kullanışlıdır. RMSE, kare alma adımı nedeniyle aykırı değerlere karşı hassastır, bu nedenle verileriniz aşırı değerler içeriyorsa dikkatli olun. Tüm hata büyüklükleri için eşit ceza istiyorsanız MAE gibi diğer metrikleri kullanın.
Güçlü yönler & sınırlılıklar
- Yorumlanabilir: hedef değişkenle aynı birimlerde ifade edilir
- Daha büyük hataları daha fazla cezalandırır, bu da birçok gerçek dünya maliyet yapısıyla uyumludur
- Pürüzsüz ve türevlenebilir olması, optimizasyon algoritmaları için uygun olmasını sağlar
- Makine öğrenimi ve istatistikte standarttır, iletişimi kolaylaştırır
- Aykırı değerlere karşı oldukça hassastır; birkaç büyük hata RMSE'yi önemli ölçüde artırır
- Yüzde hatayı doğrudan ölçmez, bu da veri kümeleri arası karşılaştırmayı zorlaştırır
- Bağlamdan bağımsız olarak, eksik ve fazla tahminleri eşit şekilde cezalandırır
- Küçük örneklemlerde yanlı bir tahmin edici olabilir
SSS
Neden karekök alınır? Neden sadece OKE kullanılmaz?
Karekök, metriği hedef değişkenin orijinal ölçeğine döndürerek yorumlanabilir hale getirir. OKE, kare birimlerindedir ve anlaşılması daha zordur. Ancak, OKE pürüzsüz ve türevlenebilir olduğu için optimizasyon için tercih edilir.
Farklı veri kümeleri arasında RMSE değerlerini nasıl karşılaştırırım?
RMSE ölçeğe bağımlıdır; farklı hedef aralıklarına sahip veri kümeleri arasında ham değerleri karşılaştırmak anlamsızdır. Veri kümeleri arası karşılaştırma için RMSE'yi hedefin ortalamasına veya standart sapmasına bölerek normalize edilmiş RMSE (NRMSE) elde edin.
İyi bir RMSE değeri nedir?
Evrensel bir eşik yoktur; hedef değişkeninizin ölçeğine ve bağlamına bağlıdır. 1-100 aralığındaki bir hedef için RMSE = 5 mükemmeldir, ancak 1-1.000 aralığındaki bir hedef için kötüdür. Her zaman temel modeller ve alan beklentileriyle karşılaştırın.
RMSE'nin R² ile ilişkisi nedir?
Her ikisi de model kalitesini farklı açılardan ölçer. R², açıklanan varyansın oranını nicelendirirken (birimsiz, 0 ila 1), RMSE mutlak hata büyüklüğünü (orijinal birimlerde) ölçer. Hedefin yüksek varyansı varsa, yüksek bir R² düşük bir RMSE'yi garanti etmez.
RMSE mi yoksa MAE mi kullanmalıyım?
Büyük hataların maliyeti özellikle yüksekse RMSE kullanın; tüm hata büyüklükleri için eşit ceza istiyorsanız MAE kullanın. RMSE daha popülerdir ancak MAE aykırı değerlere karşı daha sağlamdır. Tam bir içgörü elde etmek için her ikisini de kalıntılarla birlikte çizin.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Root Mean Squared Error. ScholarGate. https://scholargate.app/tr/model-evaluation/root-mean-squared-error
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Mutlak Hata Ortalaması (MHO)Model değerlendirme↔ karşılaştır
- Mutlak Yüzde Hatası Ortalaması (MAPE)Model değerlendirme↔ karşılaştır
- Ortalama Karesel Hata (MSE)Model değerlendirme↔ karşılaştır
- Belirlilik katsayısı (R²)Model değerlendirme↔ karşılaştır