De gemiddelde absolute fout (MAE) laat zien hoeveel de voorspellingen van een model gemiddeld afwijken van de werkelijke waarden, ongeacht de richting. Ze wordt uitgedrukt in de eenheid van de doelvariabele, waardoor ze eenvoudig te begrijpen is. Voorbeeld: een MAE van 12 bij een dagelijkse omzetvoorspelling betekent dat het model gemiddeld 12 eenheden afwijkt. Uitschieters wegen minder zwaar mee dan bij kwadratische foutmaten.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenLineaire regressie is een statistische methode die het verband tussen een doelvariabele en een of meer voorspellers beschrijft met een rechte lijn of vlak. De coëfficiënten worden meestal zo gekozen dat de som van de gekwadrateerde afwijkingen minimaal is. De methode is eenvoudig te begrijpen en te interpreteren: ze kan bijvoorbeeld schatten hoeveel de omzet stijgt als het reclamebudget met € 1.000 toeneemt. Bij niet-lineaire verbanden bereikt ze haar grenzen.
De generalisatiefout meet hoever een AI-model ernaast zit bij nieuwe, nog niet eerder geziene data – in tegenstelling tot de fout op de trainingsdata. Een groot verschil tussen beide wijst op overfitting: het model heeft voorbeelden uit het hoofd geleerd in plaats van algemene patronen. Ze wordt geschat met achtergehouden testdata of kruisvalidatie. Het is het cijfer dat er echt toe doet, omdat een model in de praktijk bijna alleen nieuwe gevallen tegenkomt.
Kruisvalidatie is een methode om te controleren hoe goed een model generaliseert naar nieuwe, onbekende data. Bij k-voudige kruisvalidatie wordt de data in k delen gesplitst; het model wordt k keer getraind op k−1 delen en telkens getest op het resterende deel, waarna de resultaten worden gemiddeld. Dit helpt overfitting op te sporen en modellen of instellingen eerlijk te vergelijken, vooral wanneer weinig data beschikbaar is.
Voorspellende modellering is de technische kern van voorspellende analyse: met voorbeeldgegevens met bekende uitkomsten wordt een model gebouwd dat voor nieuwe gevallen een waarde of klasse voorspelt. Gangbare methoden zijn regressie, beslisbomen, random forests en neurale netwerken. Een model kan bijvoorbeeld de prijs van een woning schatten op basis van woonoppervlak, ligging en bouwjaar. Vóór de inzet wordt het getest op achtergehouden gegevens om overfitting op te sporen.
