Welche Metriken werden für Regressionen verwendet?

Zur Bewertung der Qualität von Regressionsmodellen werden in der Regel folgende Metriken verwendet:

• MSE (Mittlerer quadratischer Fehler) — zeigt den durchschnittlichen quadratischen Unterschied zwischen vorhergesagten und tatsächlichen Werten. Empfindlich gegenüber großen Fehlern.

• RMSE (Wurzel des mittleren quadratischen Fehlers) — gibt den Fehler in denselben Einheiten wie die Zielvariable an.

• MAE (Mittlerer absoluter Fehler) — misst die durchschnittliche absolute Abweichung der Vorhersagen von den tatsächlichen Werten.

• R² (Bestimmtheitsmaß) — zeigt den Anteil der Varianz der abhängigen Variablen, der durch das Modell erklärt wird. Wert zwischen 0 und 1, wobei 1 eine perfekte Vorhersage ist.

• Angepasster R² — modifizierte Version von R², die die Anzahl der Prädiktoren im Modell berücksichtigt.

Beispiel für die Berechnung von MAE und MSE in Python mit 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}")