### 如何用 Python 实现计算两个数组之间的均方根误差 RMSE 均方根误差（Root Mean Square Error, RMSE）是一种常用的度量标准，用于评估预测值与实际值之间的差异大小。以下是基于 `numpy` 和 `scikit-learn` 的两种实现方式。 #### 方法一：使用 NumPy 手动计算 RMSE 通过手动定义公式可以轻松实现 RMSE 的计算： ```python import numpy as np def calculate_rmse(predictions, targets): """ 使用 NumPy 计算 RMSE 参数: predictions (array-like): 预测值数组 targets (array-like): 实际值数组 返回: float: 均方根误差 """ differences = np.array(targets) - np.array(predictions) squared_differences = differences ** 2 mean_of_squared_diffs = np.mean(squared_differences) rmse_value = np.sqrt(mean_of_squared_diffs) return rmse_value # 示例数据 predictions = [3.0, 4.5, 5.0, 7.5] targets = [2.5, 4.0, 6.0, 8.0] rmse_result = calculate_rmse(predictions, targets) print(f"RMSE using manual calculation: {rmse_result}") ``` 此方法利用了基本的数学运算来完成 RMSE 的计算[^1]。 #### 方法二：使用 scikit-learn 提供的功能 `scikit-learn` 库中的 `mean_squared_error` 可以直接用来计算 MSE，并进一步求平方根得到 RMSE： ```python from sklearn.metrics import mean_squared_error import numpy as np def calculate_rmse_sklearn(predictions, targets): """ 使用 scikit-learn 计算 RMSE 参数: predictions (array-like): 预测值数组 targets (array-like): 实际值数组 返回: float: 均方根误差 """ mse = mean_squared_error(targets, predictions) rmse_value = np.sqrt(mse) return rmse_value # 示例数据 predictions = [3.0, 4.5, 5.0, 7.5] targets = [2.5, 4.0, 6.0, 8.0] rmse_result = calculate_rmse_sklearn(predictions, targets) print(f"RMSE using scikit-learn: {rmse_result}") ``` 这种方法更加简洁高效，适合处理大规模数据集[^2]。 --- ### 总结 无论是采用手写公式还是调用现有库函数的方式，都可以有效计算 RMSE。对于简单的应用场景，推荐使用 `scikit-learn` 中内置的方法；而对于更复杂的场景或者自定义需求，则可以选择手动编写逻辑[^3]。