Kokios metrikos naudojamos regresijai?

Įprasta vertinti regresijos modelių kokybę naudojant šiuos rodiklius:

• MSE (Vidutinė kvadratinė klaida) — rodo vidutinį kvadratų skirtumą tarp prognozuotų ir tikrųjų reikšmių. Jautri dideliems klaidoms.

• RMSE (Vidutinės kvadratinės klaidos šaknis) — MSE šaknis, grąžina klaidą tose pačiose vienetose kaip ir tikslinė kintamoji.

• MAE (Vidutinė absoliutinė klaida) — matuoja vidutinį absoliutų prognozių nuokrypį nuo tikrųjų reikšmių.

• R² (determinacijos koeficientas) — rodo, kiek dalis variacijos priklausomo kintamojo paaiškinama modeliu. Vertės nuo 0 iki 1, kur 1 — ideali prognozė.

• Pataisytas R² — R² modifikacija, atsižvelgianti į modelio požymių skaičių.

Pavyzdys, kaip apskaičiuoti MAE ir MSE naudojant sklearn Python:

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}")