Инструменты оценки модели линейной регрессии
Средняя квадратическая ошибка (Mean Squared Error, MSE): Она измеряет среднеквадратичное отклонение фактических значений от прогнозируемых значений. Чем меньше значение MSE, тем лучше модель.
Средняя абсолютная ошибка (Mean Absolute Error, MAE): Она измеряет среднее абсолютное отклонение фактических значений от прогнозируемых значений. Она менее чувствительна к выбросам, чем MSE.
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.
Коэффициент детерминации (R-squared, R2): Уже упомянутый
r2показывает долю дисперсии зависимой переменной, которая объясняется моделью.Скорректированный коэффициент детерминации: Это модификация
r2, которая корректирует его значение в зависимости от количества независимых переменных в модели.Коэффициенты модели (Model Coefficients): Это значения параметров модели (наклон и сдвиг), которые позволяют предсказывать зависимую переменную на основе независимых переменных.
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.
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.
Last updated
