Коригираният R-квадрат измерва доколко добре регресионен модел обяснява вариацията в данните, като се отчита броят на използваните предиктори. Обикновеният R-квадрат нараства с всяка допълнителна променлива, дори такава, която не добавя нищо; коригираната версия наказва ненужните променливи. Това позволява по-справедливо сравнение на модели с различен размер, например на прогноза за продажби с три вместо с десет фактора.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоЛинейната регресия е статистически метод, който описва връзката между целева променлива и един или повече предиктори чрез права или равнина. Коефициентите обикновено се избират така, че да минимизират сумата от квадратите на отклоненията. Методът е лесен за разбиране и тълкуване: например може да оцени с колко нарастват приходите, когато рекламният бюджет се увеличи с 1000 евро. Достига границите си при нелинейни зависимости.
Свръхнагласяне (overfitting) възниква, когато моделът запомня данните за обучение, включително случайните им особености и шум, вместо да улавя общовалидни закономерности. Тогава той изглежда много точен върху познати данни, но се представя слабо върху нови. Типичен признак е голямата разлика между грешката при обучение и при тест. Мерките включват повече или по-разнообразни данни, по-прости модели, регуляризация, dropout и кръстосана валидация.
Средната абсолютна грешка (MAE) показва колко средно се отклоняват прогнозите на модела от действителните стойности, независимо от посоката. Изразява се в мерната единица на целевата променлива, което я прави лесна за разбиране. Пример: MAE от 12 при прогноза за дневните продажби означава, че моделът средно греши с 12 единици. Тя придава по-малка тежест на отклоненията, отколкото мерките, базирани на квадрата на грешката.
Регуляризацията обхваща техники, които пречат на модела да се нагласява твърде тясно към данните си за обучение по време на обучението (свръхнагласяне). Примери са наказването на големи тегла (L1 или L2 регуляризация), случайното изключване на неврони (dropout) или спирането на обучението в подходящия момент (early stopping). Целта е по-прост модел, който работи по-надеждно върху нови, невиждани данни, дори ако постига малко по-ниски резултати върху данните за обучение.
