R² (R-squared, коэффициент детерминации):
- Показывает, какую долю вариации целевой переменной объясняет модель
- Значения от 0 до 1 (1 = идеальная модель)
- Формула: \(R^2=1−\frac{ \sum{(y_i − \hat y_i)}^2}{\sum(y_i−\bar y)^2}\)
\(\hat y \) - предсказанное значение
\(\bar y \) - среднее значение
MAE (Mean Absolute Error):
- Средняя абсолютная ошибка предсказания
- Легко интерпретировать (в тех же единицах, что и целевая переменная)
- Формула: \(MAE=\frac{1}{n}\sum∣y_i−\hat y_i∣\)
RMSE (Root Mean Squared Error):
- Корень из средней квадратичной ошибки
- Штрафует большие ошибки сильнее, чем MAE
- Формула: \(RMSE=\sqrt{\frac{1}{n}\sum(y_i−\hat y_i)^2}\)
Использование библиотеки sklearn для вычисления данных метрик
| Метрика |
Функция sklearn |
Импорт |
| R² |
r2_score(y_test, y_pred) |
from sklearn.metrics import r2_score |
| MAE |
mean_absolute_error(y_test, y_pred) |
from sklearn.metrics import mean_absolute_error |
| RMSE |
mean_squared_error(y_test, y_pred, squared=False) |
from sklearn.metrics import mean_squared_error |
Важно: Все функции принимают два обязательных аргумента в порядке: сначала реальные значения (y_test), потом предсказания (y_pred).