Srednja apsolutna pogreška (MAE) pokazuje koliko se predviđanja modela u prosjeku razlikuju od stvarnih vrijednosti, neovisno o smjeru odstupanja. Izražava se u mjernoj jedinici ciljne varijable, pa je lako razumljiva. Primjer: MAE od 12 kod prognoze dnevne prodaje znači da model u prosjeku griješi za 12 jedinica. Izuzetcima daje manju težinu nego mjere temeljene na kvadratu pogreške.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoLinearna regresija statistička je metoda koja odnos između ciljne varijable i jednog ili više prediktora opisuje pravcem ili ravninom. Koeficijenti se obično biraju tako da minimiziraju zbroj kvadrata odstupanja. Metoda je laka za razumijevanje i interpretaciju: primjerice, može procijeniti koliko raste prihod kada se proračun za oglašavanje poveća za 1000 €. Dolazi do granica kod nelinearnih odnosa.
Pogreška generalizacije mjeri koliko UI model griješi na novim, prethodno neviđenim podacima – za razliku od pogreške na podacima za treniranje. Velik jaz između to dvoje ukazuje na pretreniranost: model je zapamtio primjere umjesto da nauči opće obrasce. Procjenjuje se pomoću izdvojenih testnih podataka ili unakrsne validacije. To je pokazatelj koji stvarno računa, jer se u praksi model gotovo isključivo susreće s novim slučajevima.
Unakrsna validacija metoda je provjere koliko dobro model generalizira na nove, neviđene podatke. Kod k-struke unakrsne validacije podaci se dijele na k dijelova; model se trenira k puta na k−1 dijelova i svaki put testira na preostalom, nakon čega se rezultati usrednjuju. To pomaže otkriti pretreniranost te pošteno usporediti modele ili postavke, osobito kada je podataka malo.
Prediktivno modeliranje tehnička je jezgra prediktivne analitike: pomoću primjera podataka s poznatim ishodima gradi se model koji za nove slučajeve predviđa vrijednost ili klasu. Uobičajene metode su regresija, stabla odlučivanja, slučajne šume i neuronske mreže. Model može, primjerice, procijeniti cijenu nekretnine na temelju površine, lokacije i godine izgradnje. Prije primjene testira se na izdvojenim podacima kako bi se otkrila pretreniranost.
