Kādas metriku izmanto regresijai?

Parasti regresijas modeļu kvalitātes novērtēšanai izmanto šādus rādītājus:

• MSE (Vidējais kvadrātiskais kļūdas rādītājs) — rāda vidējo kvadrātu starp prognozētajām un faktiskajām vērtībām. Ir jutīgs pret lielām kļūdām.

• RMSE (Kvadrātsakne no vidējās kvadrātiskās kļūdas) — MSE sakne, atgriež kļūdu tajās pašās vienībās kā mērķa mainīgais.

• MAE (Vidējā absolūtā kļūda) — mēra vidējo absolūto novirzi starp prognozēm un faktiskajām vērtībām.

• R² (determinācijas koeficients) — rāda, cik liela daļa mainīgās variācijas ir izskaidrojama ar modeli. Vērtības no 0 līdz 1, kur 1 — ideāla prognoze.

• Pielāgots R² — R² modifikācija, kas ņem vērā modeļa iezīmju skaitu.

Python piemērs, kā aprēķināt MAE un MSE ar 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}")