1. Средняя квадратическая ошибка

Первым инструментом, который мы рассмотрим, будет средняя квадратическая ошибка (Mean Squared Error, MSE). MSE представляет собой среднее значение квадратов отклонений фактических значений от прогнозируемых значений модели.

Диапазон значений MSE теоретически может быть от 0 до бесконечности. Чем меньше значение MSE, тем лучше модель, поскольку это означает, что прогнозы модели более близки к фактическим значениям.

Пример вызова и получения MSE на Python может выглядеть так:

from sklearn.metrics import mean_squared_error

# Предположим, что y_true - это фактические значения, а y_pred - прогнозируемые значения модели
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

# Вычисляем MSE
mse = mean_squared_error(y_true, y_pred)

print("Mean Squared Error (MSE):", mse)

# Mean Squared Error (MSE): 0.375

Этот код выведет значение MSE для приведенных фактических и прогнозируемых значений.