Średni błąd bezwzględny (MAE) pokazuje, o ile przewidywania modelu odbiegają średnio od wartości rzeczywistych, niezależnie od kierunku odchylenia. Jest wyrażany w jednostce zmiennej docelowej, dzięki czemu łatwo go zrozumieć. Przykład: MAE równy 12 przy dziennej prognozie sprzedaży oznacza, że model myli się średnio o 12 sztuk. Wartości odstające mają w nim mniejszą wagę niż w miarach opartych na błędzie kwadratowym.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoRegresja liniowa to metoda statystyczna opisująca zależność między zmienną docelową a jedną lub kilkoma zmiennymi objaśniającymi za pomocą prostej lub płaszczyzny. Współczynniki dobiera się zwykle tak, aby zminimalizować sumę kwadratów odchyleń. Metoda jest łatwa do zrozumienia i interpretacji: pozwala na przykład oszacować, o ile rosną przychody, gdy budżet reklamowy wzrasta o 1000 €. Jej granice pojawiają się przy zależnościach nieliniowych.
Błąd generalizacji mierzy, jak bardzo model AI się myli na nowych, nieznanych wcześniej danych – w odróżnieniu od jego błędu na danych treningowych. Duża różnica między nimi wskazuje na przeuczenie: model zapamiętał przykłady zamiast nauczyć się ogólnych wzorców. Szacuje się go na zatrzymanych danych testowych lub za pomocą walidacji krzyżowej. To właśnie ta wartość naprawdę się liczy, ponieważ w praktyce model niemal wyłącznie spotyka nowe przypadki.
Walidacja krzyżowa to metoda sprawdzania, jak dobrze model generalizuje na nowe, nieznane dane. W k-krotnej walidacji krzyżowej dane dzieli się na k części; model jest trenowany k razy na k−1 częściach i za każdym razem testowany na pozostałej, po czym wyniki są uśredniane. Pomaga to wykrywać przeuczenie oraz rzetelnie porównywać modele lub ustawienia, zwłaszcza gdy danych jest niewiele.
Modelowanie predykcyjne to techniczne jądro analityki predykcyjnej: na podstawie przykładowych danych ze znanymi wynikami buduje się model, który przewiduje wartość lub klasę dla nowych przypadków. Typowe metody to regresja, drzewa decyzyjne, lasy losowe i sieci neuronowe. Model może na przykład szacować cenę nieruchomości na podstawie powierzchni, lokalizacji i roku budowy. Przed wdrożeniem testuje się go na zatrzymanych danych, aby wykryć przeuczenie.
