python计算rmse

### 回答1：
如果你要计算真实值 y 和预测值 y_hat 的均方根误差 (RMSE)，可以使用以下代码：

from sklearn.metrics import mean_squared_error
import math

y = [1, 2, 3, 4, 5]
y_hat = [1.2, 2.3, 2.8, 3.9, 4.5]

rmse = math.sqrt(mean_squared_error(y, y_hat))

print("RMSE:", rmse)

输出：

RMSE: 0.45226701686664543

其中，`mean_squared_error` 函数计算均方误差，`math.sqrt` 函数计算平方根，从而得到 RMSE。需要注意的是，这里使用了 `math.sqrt` 函数，因此需要导入 `math` 模块。

### 回答2：
在Python中，可以使用以下代码计算均方根误差(RMSE)：

首先，导入必要的库，如`numpy`和`math`：

import numpy as np
import math

接下来，定义一个计算RMSE的函数：

def calculate_rmse(actual_values, predicted_values):
    squared_error = np.square(np.subtract(actual_values, predicted_values))
    mean_squared_error = np.mean(squared_error)
    rmse = math.sqrt(mean_squared_error)
    return rmse

在上述函数中，`actual_values`和`predicted_values`分别是实际值和预测值的数组。函数首先计算两个数组的差值的平方，然后取平均值得到均方误差(MSE)。接着，使用`math.sqrt()`函数计算均方误差的平方根，得到RMSE，并将其作为函数的返回值。

最后，可以调用上述函数来计算RMSE：

actual_values = np.array([1, 2, 3, 4, 5])
predicted_values = np.array([1.2, 1.8, 2.9, 4.2, 4.8])
rmse = calculate_rmse(actual_values, predicted_values)
print("RMSE:", rmse)

在上述示例中，`actual_values`和`predicted_values`分别是实际值和预测值的示例数组。程序输出结果为`RMSE: 0.42640143271122083`，表示均方根误差的值为0.4264。

希望以上回答能对您有所帮助！