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.
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.
Грешката на обобщаване измерва доколко ИИ моделът греши върху нови, непознати досега данни – за разлика от грешката му върху обучителните данни. Голяма разлика между двете сочи преобучение: моделът е запомнил примери, вместо да научи общи закономерности. Оценява се с отделени тестови данни или кръстосана валидация. Това е показателят, който наистина има значение, защото на практика моделът се сблъсква почти само с нови случаи.
Кръстосаната валидация (cross-validation) е метод за проверка доколко добре един модел обобщава върху нови, непознати данни. При k-кратната кръстосана валидация данните се разделят на k части; моделът се обучава k пъти върху k−1 части и всеки път се тества върху останалата част, след което резултатите се усредняват. Това помага да се открие преобучение и да се сравняват честно модели или настройки, особено когато има малко данни.
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.
