1. 目的
2. 準備
3. 必要なpackageのdownload
4. 必要なmoduleのimport
5. CSVファイルの読み込み
6. 2変数の定義
7. MAEの計算
8. RMSEの計算
9. 使用したコードまとめ
1. 目的
Pythonを使って平均絶対誤差(Mean Absolute Error:MAE)と二乗平均平方根誤差(Root Mean Squared Error:RMSE)を計算する。
2. 準備
CSVファイルに2変数のデータを書き込む。
1列目はLabel、2列目はAIの予測値(Predicted)。
今回はdata.csvとして保存する。
| label | predicted |
|---|---|
| 0.11 | -0.615615 |
| 0.86 | 0.29520833 |
| . | . |
| . | . |
| . | . |
| -0.14 | -0.2419486 |
3. 必要なpackageのdownload
Terminal(端末)を開いて、以下のコマンドをタイプして必要なパッケージをダウンロードする。
コピペするときに$マークは抜いてコピペしてください。
$には実は意味がありますが、ここでは省略…
1 2 3 | $ sudo pip3 install pandas$ sudo pip3 install numpy$ sudo pip3 install scikit-learn |
4. 必要なmoduleのimport
TermitalでPythno3を起動し、以下のコマンドを実行することで計算に必要なmoduleをimportする。
1 2 3 4 5 6 7 | # CSVを読み込み用import pandas as pd# Mean Absolute Error(MAE)用from sklearn.metrics import mean_absolute_error# Root Mean Squared Error(RMSE)用from sklearn.metrics import mean_squared_errorimport numpy as np |
5. CSVファイルの読み込み
比べたい2変数が保存されているdata.csvから値を取り出す。
ファイル名がdata.csv出ない場合は、data.csvの部分を適宜変えてください。
1 2 | # CSV読み込みdata = pd.read_csv('data.csv') |
6. 2変数の定義
labelとAIの予測値(predicted)を定義。
1 2 3 4 | ## label datalabel = data['label']## AI predicted datapred = data['predicted'] |
7. MAEの計算
以下のコマンドでMAEを計算できる。
{:.3f}と書いてやることで小数点以下3桁だけ表示する。
1 2 | mae = mean_absolute_error(label, pred)print('MAE : {:.3f}'.format(mae)) # {:.3f}で小数点以下は3桁で表示 |
8. RMSEの計算
1 2 3 | #RMSE計算rmse = np.sqrt(mean_squared_error(label, pred))print('RMSE : {:.3f}'.format(rmse)) |
9. 使用したコードまとめ
以下に使用したコードをまとめたものを記載しておく。
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 | # CSVを読み込み用import pandas as pd# Mean Absolute Error(MAE)用from sklearn.metrics import mean_absolute_error# Root Mean Squared Error(RMSE)用from sklearn.metrics import mean_squared_errorimport numpy as np# CSV読み込みdata = pd.read_csv('data.csv')## label datalabel = data['label']## AI predicted datapred = data['predicted']# MAE計算mae = mean_absolute_error(label, pred)print('MAE : {:.3f}'.format(mae)) # {:.3f}で小数点以下は3桁で表示# RMSE計算rmse = np.sqrt(mean_squared_error(label, pred))print('RMSE : {:.3f}'.format(rmse)) |
著者情報： 斎藤 勇哉
順天堂大学医学部 大学院医学研究科 放射線診断学講座所属脳MRI 画像解析が専門であり、テーマは①神経変性疾患の機序解明、②医用人工知能の開発、③多施設データのハーモナイゼーション、④速読が脳に与える影響や学習効果、⑤SNS解析を用いたマーケティング戦略の改善。
医療分野に関わらず、自然言語処理・スクレイピング・データ分析・Web アプリ開発を得意とし、企業や他大学の研究を支援。
主な使用言語は、Python、Shell Script、MATLAB、HTML、CSS
