Prilagojeni R-kvadrat meri, kako dobro regresijski model pojasni variabilnost podatkov, popravljeno za število uporabljenih napovednih spremenljivk. Navadni R-kvadrat raste z vsako dodatno spremenljivko, tudi če ta ne prispeva ničesar; prilagojena različica nepotrebne spremenljivke kaznuje. To omogoča pravičnejšo primerjavo modelov različnih velikosti, na primer napovedi prodaje s tremi namesto z desetimi dejavniki.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevLinearna regresija je statistična metoda, ki odnos med ciljno spremenljivko in enim ali več napovednikov opisuje z ravno črto ali ravnino. Koeficienti se običajno izberejo tako, da je vsota kvadratov odstopanj najmanjša. Metoda je lahko razumljiva in razložljiva: z njo je mogoče na primer oceniti, koliko naraste prihodek, ko se oglaševalski proračun poveča za 1000 €. Pri nelinearnih odnosih naleti na meje.
Preveliko prileganje nastane, ko si model zapomni podatke za učenje, vključno z naključnimi posebnostmi in šumom, namesto da bi zajel splošno veljavne vzorce. Na znanih podatkih potem deluje zelo natančno, na novih pa slabo. Tipičen znak je velika razlika med napako pri učenju in napako pri testiranju. Protiukrepi so več ali bolj raznolikih podatkov, preprostejši modeli, regularizacija, izpuščanje (dropout) in navzkrižno preverjanje.
Povprečna absolutna napaka (MAE) pokaže, za koliko se napovedi modela v povprečju razlikujejo od dejanskih vrednosti, ne glede na smer odstopanja. Izraža se v enoti ciljne spremenljivke, zato jo je lahko razumeti. Primer: MAE 12 pri dnevni napovedi prodaje pomeni, da se model v povprečju zmoti za 12 enot. Osamelcem daje manjšo težo kot mere kvadratne napake.
Regularizacija zajema tehnike, ki med učenjem preprečujejo, da bi se model preveč tesno prilegel podatkom za učenje (preveliko prileganje). Primeri so kaznovanje velikih uteži (regularizacija L1 ali L2), naključno izklapljanje nevronov (dropout) ali ustavitev učenja ob pravem času (zgodnja ustavitev). Cilj je preprostejši model, ki zanesljiveje deluje na novih, še nevidenih podatkih, tudi če na podatkih za učenje doseže nekoliko slabši rezultat.
