Chỉ số độ chính xác: mô hình hồi quy

Xác thực Mô hình trong Python

Kasey Jones

Data Scientist

Mô hình hồi quy

Mô hình hồi quy dự đoán biến liên tục, như số điểm, số gallon hoặc số cún con.

Xác thực Mô hình trong Python

Sai số tuyệt đối trung bình (MAE)

 

$$ MAE = \frac{\sum_{i=1}^{n} |y_i - \hat{y}_i|}{n} $$

  • Chỉ số đơn giản, trực quan nhất
  • Coi mọi điểm như nhau
  • Ít nhạy với ngoại lệ
Xác thực Mô hình trong Python

Sai số bình phương trung bình (MSE)

 

$$ MSE = \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i) ^2}{n} $$

  • Chỉ số hồi quy dùng nhiều nhất
  • Lỗi ngoại lệ ảnh hưởng mạnh hơn tổng lỗi
  • Ví dụ: chuyến đi gia đình ngẫu hứng có thể gây lỗi dự đoán lớn
Xác thực Mô hình trong Python

MAE so với MSE

  • Chỉ số độ chính xác phụ thuộc ứng dụng
  • MAE và MSE có đơn vị khác nhau, không so sánh trực tiếp
Xác thực Mô hình trong Python

Sai số tuyệt đối trung bình

rfr = RandomForestRegressor(n_estimators=500, random_state=1111)
rfr.fit(X_train, y_train)
test_predictions = rfr.predict(X_test)

sum(abs(y_test - test_predictions))/len(test_predictions)

9.99

from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_test, test_predictions)

9.99
Xác thực Mô hình trong Python

Sai số bình phương trung bình

sum(abs(y_test - test_predictions)**2)/len(test_predictions)

141.4

from sklearn.metrics import mean_squared_error
mean_squared_error(y_test, test_predictions)

141.4
Xác thực Mô hình trong Python

Độ chính xác cho một tập con dữ liệu

chocolate_preds = rfr.predict(X_test[X_test[:, 1] == 1])
mean_absolute_error(y_test[X_test[:, 1] == 1], chocolate_preds)

8.79

nonchocolate_preds = rfr.predict(X_test[X_test[:, 1] == 0])
mean_absolute_error(y_test[X_test[:, 1] == 0], nonchocolate_preds)

10.99
Xác thực Mô hình trong Python

Vamos praticar!

Xác thực Mô hình trong Python

Preparing Video For Download...