Το μέσο απόλυτο σφάλμα (MAE) δείχνει κατά πόσο αποκλίνουν κατά μέσο όρο οι προβλέψεις ενός μοντέλου από τις πραγματικές τιμές, ανεξάρτητα από την κατεύθυνση. Εκφράζεται στη μονάδα της μεταβλητής-στόχου, γεγονός που το κάνει εύκολα κατανοητό. Παράδειγμα: ένα MAE ίσο με 12 σε μια πρόβλεψη ημερήσιων πωλήσεων σημαίνει ότι το μοντέλο αποκλίνει κατά μέσο όρο κατά 12 μονάδες. Δίνει μικρότερο βάρος στις ακραίες τιμές σε σχέση με τις μετρικές τετραγωνικού σφάλματος.
Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.
Έναρξη επίδειξηςΗ γραμμική παλινδρόμηση είναι μια στατιστική μέθοδος που περιγράφει τη σχέση μεταξύ μιας εξαρτημένης μεταβλητής και μίας ή περισσότερων ανεξάρτητων μεταβλητών με μια ευθεία ή ένα επίπεδο. Οι συντελεστές επιλέγονται συνήθως ώστε να ελαχιστοποιείται το άθροισμα των τετραγώνων των αποκλίσεων. Η μέθοδος είναι εύκολη στην κατανόηση και στην ερμηνεία: για παράδειγμα, μπορεί να εκτιμήσει πόσο αυξάνονται τα έσοδα όταν ο διαφημιστικός προϋπολογισμός αυξάνεται κατά 1.000 €. Φτάνει στα όριά της με μη γραμμικές σχέσεις.
Το σφάλμα γενίκευσης μετρά πόσο αποκλίνει ένα μοντέλο ΤΝ σε νέα, άγνωστα μέχρι τώρα δεδομένα – σε αντίθεση με το σφάλμα του στα δεδομένα εκπαίδευσης. Μεγάλο χάσμα μεταξύ των δύο υποδεικνύει υπερπροσαρμογή: το μοντέλο απομνημόνευσε παραδείγματα αντί να μάθει γενικά μοτίβα. Εκτιμάται με δεδομένα δοκιμής που κρατήθηκαν στην άκρη ή με διασταυρούμενη επικύρωση. Είναι το μέγεθος που μετράει πραγματικά, επειδή στην πράξη ένα μοντέλο συναντά σχεδόν μόνο νέες περιπτώσεις.
Η διασταυρούμενη επικύρωση (cross-validation) είναι μια μέθοδος για τον έλεγχο του πόσο καλά γενικεύει ένα μοντέλο σε νέα, άγνωστα δεδομένα. Στη διασταυρούμενη επικύρωση k διπλώσεων, τα δεδομένα χωρίζονται σε k μέρη· το μοντέλο εκπαιδεύεται k φορές σε k−1 μέρη και δοκιμάζεται κάθε φορά στο υπόλοιπο μέρος, και στη συνέχεια υπολογίζεται ο μέσος όρος των αποτελεσμάτων. Αυτό βοηθά να εντοπίζεται η υπερπροσαρμογή και να συγκρίνονται δίκαια μοντέλα ή ρυθμίσεις, ιδίως όταν υπάρχουν λίγα δεδομένα.
Η προγνωστική μοντελοποίηση είναι ο τεχνικός πυρήνας της προγνωστικής ανάλυσης: με δεδομένα-παραδείγματα με γνωστά αποτελέσματα δημιουργείται ένα μοντέλο που προβλέπει μια τιμή ή μια κλάση για νέες περιπτώσεις. Συνήθεις μέθοδοι είναι η παλινδρόμηση, τα δέντρα αποφάσεων, τα τυχαία δάση και τα νευρωνικά δίκτυα. Ένα μοντέλο μπορεί, για παράδειγμα, να εκτιμήσει την τιμή ενός ακινήτου από την επιφάνεια, την τοποθεσία και το έτος κατασκευής. Πριν από την ανάπτυξη δοκιμάζεται σε δεδομένα που έχουν κρατηθεί στην άκρη, ώστε να εντοπιστεί η υπερπροσαρμογή.
