Du är här:
Regressionsmått
Mått för regressioner hjälper till att utvärdera prestandan för en modell som förutsäger numeriska värden för kontinuerliga data.
Förutsagt kontra faktiskt
Det förutsagda vs faktiska spridningsdiagrammet kontrasterar modellens förutsagda resultat mot de faktiska dataresultaten. Närheten mellan punkterna och den diagonala linjen indikerar modellens precision, med närmare punkter som representerar högre precision.
Residualer
Spridningsdiagrammet för residualer visar variansen mellan faktiska och förutsagda värden, så kallade residualer, i förhållande till förutsagda värden. Poängen ska helst visas slumpmässigt spridda. På y-axeln indikerar positiva värden förutsägelser som var för låga, negativa värden indikerar förutsägelser som var för höga och värden på noll indikerar förutsägelser som var exakt korrekta.
4-delad korsvalidering
Den 4-delade korsvalideringsmetoden minskar provbiasering under modellvalideringsprocessen. I denna metod delas data slumpmässigt upp i fyra separata partitioner av samma storlek och modellen genomgår fyra testkörningar (folds). Under varje pass fungerar tre partitioner som inlärningsdata, medan den återstående fungerar som testdata. Genom att utföra fyra testpass används varje partition en gång som valideringsdata och tre gånger som en del av inlärningsdatan, vilket säkerställer en omfattande utvärdering. Se tabellen över valideringsresultat för att undersöka mått som motsvarar varje del av datan.
| Mått | Beskrivning |
|---|---|
| Antal poster | Totalt antal observationer. Betydelsen av ett värde varierar utefter kolumn.
|
| R2 | R2 mäter modellens förmåga att förklara variationer i resultatet, vilket visar till vilken grad modellen är prediktiv. Omfattning:
|
| MAE | Genomsnittligt absolut fel. Mäter den absoluta differensen mellan det faktiska värdet och förutsägelsen. Alla differenser viktas lika i genomsnittet, vilket betyder att det inte är lika känsligt för avvikande värden som måttet för genomsnittligt kvadratfel. |
| MSE | Genomsnittligt kvadratfel. Mäter genomsnittligt kvadratfel i modellens förutsägelse. MSE beräknar kvadratskillnader mellan faktiska (noterade) resultat och beräknade värden samt genomsnittet av dem. |
| RMSE | Genomsnittligt kvadratrotsfel. Motsvarar kvadratroten av MSE-måttet. RMSE mäter skillnaden mellan de värden som modellen förutser och de faktiska värdena. Du kan se detta mått som ”standardavvikelse för fel”. |
