Przejdź do głównej zawartości

regression_metrics

po co mierzyć jakość regresji?​

  • Pozwala porównać modele i wybrać najlepszy.
  • Pomaga zrozumieć, jak bardzo przewidywania odbiegają od rzeczywistości.

najważniejsze metryki ⭐⭐⭐​

  • MAE (Mean Absolute Error) – średni błąd bezwzględny
  • MSE (Mean Squared Error) – średni błąd kwadratowy
  • RMSE (Root Mean Squared Error) – pierwiastek z MSE
  • R² (R-kwadrat) – współczynnik determinacji

przykładowy kod (scikit-learn)​

from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred, squared=False)
r2 = r2_score(y_true, y_pred)

praktyczne ćwiczenia​

  • Oblicz MAE, MSE, RMSE i R² dla własnych danych.
  • Porównaj dwa modele na tych samych danych.
  • Zinterpretuj, co oznacza wysoka/niska wartość danej metryki.

dobre praktyki​

  • Używaj kilku metryk naraz.
  • Zwracaj uwagę na jednostki (MSE/MAE mają te same jednostki co dane).
  • RMSE jest bardziej wrażliwy na duże błędy.

polecane źródła​