Нам нужно оценить наши модели машинного обучения с помощью различных показателей. В Части 1 мы увидели некоторые метрики оценки классификации. В этой части 2 мы рассмотрим два показателя оценки регрессии - MAE (средняя абсолютная ошибка) и MSE (среднеквадратичная ошибка). Это будет очень короткая статья.

Я закодировал приведенный ниже пример регрессии на Python

Код состоит из следующих частей:

  1. Сгенерируйте случайную матрицу с 10 строками и 5 столбцами. Первые 4 столбца будут независимыми переменными x1, x2, x3, x4, а 5-й столбец будет представлять переменную y или ответную переменную.
  2. Разделите матрицу на наборы данных для обучения и тестирования. Первые 8 строк предназначены для обучающего набора, а последние 2 строки - для набора для тестирования.
  3. Выполните множественную линейную регрессию и спрогнозируйте результаты с помощью тестовых функций (test_exp)
  4. Используйте среднюю абсолютную ошибку и среднеквадратическую ошибку для оценки результатов.

Опять же, как в примере классификации Часть 1, поскольку мы используем матрицу, генерируемую случайным образом , при каждом запуске программы значения матрицы и результаты будут меняться. Данные, которые мы здесь анализируем, относятся к конкретному запуску.

После выполнения кода я получил следующие результаты:

Фактические значения (значения ответа y (в программе - test_act) в наборе данных Test): 1, 9

Прогнозируемые значения (P пересчитанные значения (называемые предсказанными в программе) с использованием множественной линейной регрессии): 0,399, 6,84

Средняя абсолютная ошибка (MAE): 1,377

Среднеквадратичная ошибка (MSE): 2,499

  1. Средняя абсолютная ошибка

MAE - это среднее значение суммы всех абсолютных значений ошибок, где ошибка - это разница между фактическими и прогнозируемыми значениями. У нас есть 2 набора фактических и прогнозируемых значений. Расчет: 1/2 x (| 1–0,399 | + | 9–6,84 |) = 1,38

2. Среднеквадратичная ошибка

MSE - это среднее значение суммы всех квадратов ошибок.

Расчет: 1/2 x ((1–0,399) ² + (9–6,84) ²) = 2,5

Надеюсь, эта статья была для вас полезной. Пожалуйста, оставляйте свои комментарии и связывайтесь со мной в Twitter и LinkedIn. Спасибо.