Welke metrics worden gebruikt voor regressie?

Om de kwaliteit van regressiemodellen te beoordelen, worden meestal de volgende statistieken gebruikt:

• MSE (Mean Squared Error) — de gemiddelde kwadratische afwijking tussen voorspelde en werkelijke waarden. Gevoelig voor grote fouten.

• RMSE (Root Mean Squared Error) — de wortel van MSE, geeft de fout in dezelfde eenheden als de doelvariabele.

• MAE (Mean Absolute Error) — de gemiddelde absolute afwijking van de voorspellingen ten opzichte van de werkelijke waarden.

• R² (coëfficiënt van determinatie) — toont het aandeel van de variantie van de afhankelijke variabele dat door het model wordt verklaard. Waarden tussen 0 en 1, waarbij 1 een perfecte voorspelling betekent.

• Aangepaste R² — een modificatie van R² die rekening houdt met het aantal kenmerken in het model.

Voorbeeld van het berekenen van MAE en MSE in Python met 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}")