Koreguotasis R kvadratas matuoja, kaip gerai regresijos modelis paaiškina duomenų sklaidą, atsižvelgiant į naudojamų prediktorių skaičių. Paprastasis R kvadratas didėja su kiekvienu papildomu kintamuoju, net jei jis nieko neprideda; koreguotoji versija baudžia už nereikalingus kintamuosius. Taip galima teisingiau palyginti skirtingo dydžio modelius, pavyzdžiui, pardavimų prognozę su trimis, o ne dešimčia veiksnių.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąTiesinė regresija – tai statistinis metodas, aprašantis ryšį tarp tikslinio kintamojo ir vieno ar kelių prediktorių tiese ar plokštuma. Koeficientai dažniausiai parenkami taip, kad būtų minimali kvadratinių nuokrypių suma. Metodas lengvai suprantamas ir interpretuojamas: pavyzdžiui, juo galima įvertinti, kiek išauga pajamos, kai reklamos biudžetas padidėja 1 000 €. Jo ribos išryškėja esant netiesiniams ryšiams.
Persimokymas atsiranda, kai modelis įsimena mokymo duomenis, įskaitant atsitiktinius ypatumus ir triukšmą, užuot išmokęs visuotinai galiojančių dėsningumų. Tada jis atrodo labai tikslus su pažįstamais duomenimis, bet prastai veikia su naujais. Tipiškas požymis – didelis atotrūkis tarp mokymo ir testavimo paklaidos. Priemonės: daugiau ar įvairesnių duomenų, paprastesni modeliai, reguliarizavimas, dropout ir kryžminis patikrinimas.
Vidutinė absoliutinė paklaida (MAE) parodo, vidutiniškai kiek modelio prognozės nukrypsta nuo tikrųjų reikšmių, nepaisant nukrypimo krypties. Ji išreiškiama tikslinio kintamojo vienetais, todėl lengvai suprantama. Pavyzdys: jei dienos pardavimų prognozės MAE yra 12, modelis vidutiniškai klysta 12 vienetų. Išskirtinėms reikšmėms ji suteikia mažesnį svorį nei kvadratinės paklaidos rodikliai.
Reguliarizavimas apima metodus, kurie mokymo metu neleidžia modeliui per tiksliai prisitaikyti prie mokymo duomenų (persimokymas). Pavyzdžiai: didelių svorių baudimas (L1 arba L2 reguliarizavimas), atsitiktinis neuronų išjungimas (dropout) arba mokymo sustabdymas tinkamu momentu (early stopping). Tikslas – paprastesnis modelis, patikimiau veikiantis su naujais, nematytais duomenimis, net jei mokymo duomenyse jo rezultatas šiek tiek prastesnis.
