Линейната 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.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоЛогистичната регресия е статистически метод, който прогнозира вероятността за един от два резултата, като „купува“ или „не купува“. Тя претегля входните признаци и превръща сбора им в стойност между 0 и 1 чрез S-образна функция. Тъй като теглата се тълкуват лесно, методът се използва широко в кредитното оценяване, медицината и маркетинга, често като солидна базова линия за по-сложни модели.
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.
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.
Предиктивното моделиране е техническото ядро на предиктивната аналитика: примерни данни с известни резултати се използват за построяване на модел, който предвижда стойност или клас за нови случаи. Често използвани методи са регресията, дърветата на решенията, случайните гори и невронните мрежи. Моделът може например да оцени цената на имот въз основа на жилищната площ, местоположението и годината на построяване. Преди внедряване той се тества върху задържани данни, за да се открие свръхнагласяне.
