МЕТРИКИ РЕГРЕССИИ В МАШИННОМ ОБУЧЕНИИ | MAE, MSE, RMSE, R2, коэффициент детерминации.

• Регрессия - это задача, где модели машинного обучения восстанавливают закон.  

• Метрики помогают оценить, насколько данные точки и линия совпадают.  

• Пример: данные из Boston Housing Dataset.  

• Обучаем линейную регрессию на данных из Boston Housing Dataset.  

• Делаем предсказание для каждого объекта и вычисляем отклонения.  

• Усредняем отклонения, чтобы получить общую ошибку.  

• Усредняем отклонения по модулю, чтобы избежать знака минуса.  

• Средняя абсолютная ошибка MAE: сумма отклонений по модулю, деленная на количество объектов.  

• MAE стремится к нулю при идеальных предсказаниях.  

• Возводим отклонения в квадрат и суммируем, делим на количество объектов.  

• MSE: сумма квадратов отклонений, деленная на количество объектов.  

• В идеале MSE стремится к нулю при идеальных предсказаниях.  

• Берем корень квадратный из MSE, чтобы избавиться от квадрата.  

• RMSE: корень квадратный из MSE.  

• RMSE стремится к нулю при идеальных предсказаниях.  

• Метрики стремятся к нулю при точных предсказаниях.  

• Нет правой границы, выше которой метрики бесполезны.  

• Пример с разными целевыми переменными показывает, что одинаковые метрики могут быть как хорошими, так и плохими.  

• R^2, или коэффициент детерминации, является универсальной метрикой.  

• Рассчитывается как 1 - дробь, где числитель - MSE, а знаменатель - дисперсия.  

• Пример расчета R^2 для конкретной задачи.  

• Нахождение MSE константной модели и MSE предсказаний.  

• Пример расчета R^2: 0.74, что близко к единице.  

• R^2 может быть отрицательным, что указывает на несоответствие предсказаний и дисперсии данных.  

• Основные метрики для задачи регрессии: MAE, MSE, RMSE, R^2.  

• R^2 стремится к единице, но может быть отрицательным.  

• Пример расчета R^2 и его интерпретация.  

• Рекомендация использовать Google Colab для лучшего понимания метрик.