L’errore medio assoluto (Mean Absolute Error, MAE) indica di quanto, in media, le previsioni di un modello si discostano dai valori reali, indipendentemente dalla direzione. Si esprime nell’unità della variabile da prevedere ed è quindi facile da capire. Esempio: un MAE di 12 in una previsione delle vendite giornaliere significa che il modello sbaglia in media di 12 pezzi. Dà ai valori anomali meno peso rispetto all’errore quadratico.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoLa regressione lineare è un metodo statistico che descrive la relazione tra una variabile obiettivo e una o più variabili esplicative tramite una retta o un piano. I coefficienti vengono di solito scelti in modo da minimizzare la somma degli scarti al quadrato. Il metodo è semplice da capire e da interpretare: permette ad esempio di stimare di quanto aumenta il fatturato se il budget pubblicitario cresce di 1.000 euro. Con relazioni non lineari mostra i suoi limiti.
L’errore di generalizzazione misura quanto un modello di IA sbaglia su dati nuovi, mai visti prima, a differenza dell’errore sui dati di addestramento. Una grande differenza tra i due indica overfitting: il modello ha memorizzato gli esempi invece di apprendere schemi generali. Si stima con dati di test tenuti da parte o con la validazione incrociata. È la grandezza davvero decisiva, perché nell’uso reale il modello incontra quasi solo casi nuovi.
La validazione incrociata è un metodo per verificare quanto bene un modello generalizza su dati nuovi e non visti. Nella validazione incrociata a k fold i dati vengono divisi in k parti; il modello viene addestrato k volte su k−1 parti e testato ogni volta sulla parte rimanente, poi si fa la media dei risultati. Così si individua l'overfitting e si confrontano in modo equo modelli o impostazioni, soprattutto con pochi dati.
La modellazione predittiva è il nucleo tecnico dell'analisi predittiva: da dati di esempio con esito noto si costruisce un modello che prevede un valore o una classe per casi nuovi. Metodi tipici sono regressione, alberi decisionali, random forest e reti neurali. Un modello può ad esempio stimare il prezzo di un immobile a partire da superficie, posizione e anno di costruzione. Prima dell'uso viene verificato su dati tenuti da parte, per individuare l'overfitting.
