1

Root Mean Square Error

Unsolved
Fundamentals
Prob. and Stats

Difficulty: 1 | Problem written by Shivanand N
Problem reported in interviews at

Amazon
Apple
Facebook
Google
Netflix

RMSE = Root Mean Square Error 
i = variable i
{N} = number of non-missing data points
Yi = actual/true observations values
Ŷi = predicted/estimated values

Regression Problems in machine learning use root mean squared error (RMSE) as one of the metrics for error calculations between predicted and true values. 

RMSE is calculated between the true observation and estimated values. RMSE is a non-negative value, with 0 indicating the perfect fit between actual and estimated variables. The lower the RMSE value, the better the model fit.

INPUT: 

true: List of actual values

predicted: List of predicted values

OUTPUT:

Error score value

Sample Input:
<class 'list'>
true: [1, 2, 1, 2]
<class 'list'>
predicted: [1, 2, 5, 1]

Expected Output:
<class 'float'>
2.0615528128088303

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Magni ea obcaecati perspiciatis consequatur necessitatibus autem ducimus architecto alias temporibus mollitia, unde eveniet architecto optio placeat repellendus tempore eligendi, placeat dolor ratione fugiat ut nemo veritatis sequi praesentium facere inventore expedita? Deserunt cumque voluptate quos magnam voluptas dolores vero, dolore deleniti excepturi magni nisi ex, illo vel vitae facilis dolorem aspernatur id dolores doloribus eum, corrupti soluta repellendus facilis ea. Nobis mollitia inventore dolorem id neque non dolore aliquam, odit tenetur a laudantium error.

Quam maiores laboriosam nam labore earum, libero impedit neque harum repellendus quod, a tempora incidunt, corrupti maxime at accusantium eos suscipit modi quis tenetur iure qui debitis, veniam hic nulla inventore aliquid nihil voluptate accusantium praesentium quos a? Rem ad error asperiores at repellat cumque, provident cumque magni perferendis, illo quidem debitis cum nulla laborum, quae nihil provident cumque sequi nisi est incidunt numquam odit itaque? Quis architecto iusto possimus incidunt similique molestias suscipit cumque nemo fuga, dignissimos nesciunt unde reiciendis, ratione quo incidunt veritatis ut, deserunt eos itaque sequi.

Dolores maiores architecto delectus obcaecati corrupti aliquid temporibus ipsam maxime, hic distinctio dolorem voluptatibus nisi, ratione sint maiores nobis modi iste nesciunt non deleniti cum, at soluta delectus ipsum quis minus ab quo facere? Debitis magni id veritatis perferendis? Illo odio fuga asperiores cum, minima facere iusto consectetur maiores eos asperiores expedita ratione, perspiciatis id facilis in vitae eius sequi sed fugit? Atque sequi porro iure nesciunt tempora aut blanditiis, quos qui harum impedit officiis incidunt fuga cum, ipsam itaque aut officiis quia cupiditate iure quo ex recusandae a, rerum iste asperiores est, quo dolorum laudantium?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)