Инструменты оценки модели линейной регрессии

1. Средняя квадратическая ошибка (Mean Squared Error, MSE): Она измеряет среднеквадратичное отклонение фактических значений от прогнозируемых значений. Чем меньше значение MSE, тем лучше модель.

2. Средняя абсолютная ошибка (Mean Absolute Error, MAE): Она измеряет среднее абсолютное отклонение фактических значений от прогнозируемых значений. Она менее чувствительна к выбросам, чем MSE.

3. Корень из средней квадратической ошибки (Root Mean Squared Error, RMSE): Она представляет собой квадратный корень из MSE и измеряет среднеквадратичное отклонение фактических значений от прогнозируемых значений.

4. Коэффициент детерминации (R-squared, R2): Уже упомянутый r2 показывает долю дисперсии зависимой переменной, которая объясняется моделью.

5. Скорректированный коэффициент детерминации: Это модификация r2, которая корректирует его значение в зависимости от количества независимых переменных в модели.

6. Коэффициенты модели (Model Coefficients): Это значения параметров модели (наклон и сдвиг), которые позволяют предсказывать зависимую переменную на основе независимых переменных.

7. Проверка гипотез о коэффициентах модели (Hypothesis Tests on Model Coefficients): Это статистические тесты, которые позволяют оценить значимость влияния каждой из независимых переменных на зависимую переменную.

8. Проверка предположений о модели (Assumption Checks): Это проверка выполнения предположений о нормальности остатков, гомоскедастичности и линейности модели.

Эти инструменты помогают оценить качество модели линейной регрессии, выявить ее сильные и слабые стороны и сделать выводы о ее применимости к данным.

Google Colaboratory

Инструменты оценки модели линейной регрессии.ipynb

Google Colaboratory

Мультиколлиниарность in trading .ipynb

Google Colaboratory

Коэффициент инфляции дисперсии (VIF)