Koriģētais R kvadrāts mēra, cik labi regresijas modelis izskaidro datu variāciju, ņemot vērā izmantoto prognozētāju skaitu. Parastais R kvadrāts palielinās ar katru papildu mainīgo, pat ja tas neko nepievieno; koriģētā versija soda nevajadzīgus mainīgos. Tas ļauj taisnīgāk salīdzināt dažāda lieluma modeļus, piemēram, pārdošanas prognozi ar trim, nevis desmit faktoriem.
Lineārā regresija ir statistikas metode, kas ar taisni vai plakni apraksta sakarību starp mērķa mainīgo un vienu vai vairākiem prognozētājiem. Koeficientus parasti izvēlas tā, lai minimizētu kvadrātisko noviržu summu. Metode ir viegli saprotama un interpretējama: piemēram, tā var novērtēt, par cik pieaug ieņēmumi, kad reklāmas budžets palielinās par 1000 €. Ar nelineārām sakarībām tā sasniedz savas robežas.
Pārmērīga pielāgošanās datiem rodas, kad modelis iegaumē apmācības datus, ieskaitot nejaušas īpatnības un troksni, nevis apgūst vispārīgi derīgas likumsakarības. Tad tas šķiet ļoti precīzs ar pazīstamiem datiem, bet slikti darbojas ar jauniem. Tipiska pazīme ir liela atšķirība starp apmācības un testa kļūdu. Pretlīdzekļi ir vairāk vai daudzveidīgāki dati, vienkāršāki modeļi, regularizācija, dropout un krusteniskā validācija.
Vidējā absolūtā kļūda (MAE) parāda, par cik modeļa prognozes vidēji atšķiras no faktiskajām vērtībām neatkarīgi no virziena. Tā tiek izteikta mērķa mainīgā mērvienībā, tāpēc to ir viegli saprast. Piemērs: ja dienas pārdošanas prognozes MAE ir 12, modelis vidēji kļūdās par 12 vienībām. Tā novirzēm piešķir mazāku svaru nekā kvadrātiskās kļūdas rādītāji.
Regularizācija aptver paņēmienus, kas apmācības laikā neļauj modelim pārāk cieši pielāgoties apmācības datiem (pārmērīga pielāgošanās). Piemēri ir lielu svaru sodīšana (L1 vai L2 regularizācija), neironu nejauša izslēgšana (dropout) vai apmācības apturēšana īstajā brīdī (agrīna apturēšana). Mērķis ir vienkāršāks modelis, kas uzticamāk darbojas ar jauniem, neredzētiem datiem, pat ja apmācības datos tas iegūst nedaudz zemāku rezultātu.
