RMSE entre Listas

Erro Quadrático Médio (RMSE)

O RMSE diz, em média, o quanto suas previsões erram em relação aos valores observados: RMSE = √(Σ(yᵢ − ŷᵢ)²/n). Uma vantagem prática é que ele vem na mesma unidade da variável alvo, então o número significa algo que dá para interpretar de cara. Como cada erro é elevado ao quadrado, a métrica castiga erros grandes com muito mais peso do que o MAE (Mean Absolute Error), que continua linear. Veja com y = 3, 5, 2,5, 7, 9 e ŷ = 2,5, 5, 4, 8, 8. Os erros quadráticos ficam 0,25, 0, 2,25, 1, 1, somando 4,5, logo RMSE = √(4,5/5) ≈ 0,949. Há também uma ligação com o coeficiente de determinação, R² = 1 − SSE/SST. É a métrica padrão de regressão no sklearn.metrics e em boa parte das competições do Kaggle.

Aplicações

Aparece na escolha entre modelos de ML (regressão, redes neurais, gradient boosting), na validação de modelos climáticos e meteorológicos comparando previsão com medição, na previsão de demanda e vendas em séries temporais, no erro de posicionamento GPS, na calibração científica e nas competições Kaggle / DrivenData.

Perguntas frequentes

RMSE ou MAE? Prefira o RMSE quando um erro grande dói de verdade e deve pesar mais (caso de segurança ou finanças). Fique com o MAE quando todos os erros valem o mesmo e você não quer que outliers dominem o resultado.

O RMSE é sempre positivo? Sim. Ele é a raiz quadrada de uma soma de quadrados, então não cai abaixo de zero. Um valor 0 indica previsões perfeitas, e quanto maior ele fica, pior está o modelo.

Posso comparar RMSEs entre problemas diferentes? Diretamente não, porque o valor acompanha a escala de y. Se precisar comparar, normalize antes: NRMSE = RMSE / (ymax − ymin) ou RMSE / média(y).