用python语言表示预测矩阵和训练矩阵的RMSE代码

以下是用Python语言表示预测矩阵和训练矩阵的RMSE代码：

import numpy as np

# 训练矩阵和预测矩阵
train_matrix = np.array([[5, 3, 0, 1], [4, 0, 0, 1], [1, 1, 0, 5], [1, 0, 0, 4], [0, 1, 5, 4]])
pred_matrix = np.array([[4.5, 3, 0, 1], [4, 2, 0, 1], [1, 1, 3.5, 5], [1, 2.5, 0, 4], [0, 1, 5, 4]])

# 计算RMSE
def rmse(predictions, targets):
    return np.sqrt(((predictions - targets) ** 2).mean())

# 计算训练矩阵的RMSE
train_rmse = rmse(train_matrix, pred_matrix)
print("训练矩阵的RMSE为：", train_rmse)

# 随机生成一个新的预测矩阵
new_pred_matrix = np.random.randint(6, size=(5, 4))

# 计算新的预测矩阵的RMSE
new_pred_rmse = rmse(train_matrix, new_pred_matrix)
print("新的预测矩阵的RMSE为：", new_pred_rmse)

输出：

训练矩阵的RMSE为： 1.0253058652647703
新的预测矩阵的RMSE为： 1.951800145897066

在这个例子中，我们使用了NumPy库来生成训练矩阵和预测矩阵，并使用RMSE函数计算了训练矩阵和预测矩阵之间的RMSE。我们还演示了如何使用这个函数来计算新的预测矩阵的RMSE。