Какви метрики се използват за регресия?

Обикновено за оценка на качеството на регресионните модели се използват следните метрики:

• MSE (Средна квадратична грешка) — показва средната стойност на квадратите на разликите между прогнозните и реалните стойности. Чувствителна е към големи грешки.

• RMSE (Квадратен корен на средната квадратична грешка) — корен от MSE, връща грешката в същите единици като целевата променлива.

• MAE (Средна абсолютна грешка) — измерва средната абсолютна разлика между прогнозите и реалните стойности.

• R² (коефициент на детерминация) — показва дела на вариацията на зависимата променлива, обяснена от модела. Стойност между 0 и 1, където 1 е перфектна прогноза.

• Коригиран R² — модифицирана версия на R², която взема предвид броя на признаците в модела.

Пример за изчисление на MAE и MSE в Python с sklearn:

from sklearn.metrics import mean_absolute_error, mean_squared_error

y_true = [3.0, -0.5, 2.0, 7.0]
y_pred = [2.5, 0.0, 2.0, 8.0]

mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
print(f"MAE: {mae}")
print(f"MSE: {mse}")