Какие метрики используются для регрессии?

Для оценки качества моделей регрессии обычно используют следующие метрики:

• MSE (Mean Squared Error) — среднеквадратичная ошибка, показывает средний квадрат разницы между предсказанными и реальными значениями. Чувствительна к большим ошибкам.
• RMSE (Root Mean Squared Error) — корень из MSE, возвращает ошибку в тех же единицах, что и целевая переменная.
• MAE (Mean Absolute Error) — средняя абсолютная ошибка, измеряет среднее абсолютное отклонение предсказаний от истинных значений.
• R² (коэффициент детерминации) — показывает долю дисперсии зависимой переменной, объясненную моделью. Значение от 0 до 1, где 1 — идеальное предсказание.
• Adjusted R² — модификация R², учитывающая количество признаков в модели.

Пример вычисления MAE и MSE на Python с использованием sklearn:

from sklearn.metrics import mean_absolute_error, mean_squared_error

y_true = [3.0, -0.5, 2.0, 7.0]
y_pred = [2.5, 0.0, 2.0, 8.0]

mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
print(f"MAE: {mae}")
print(f"MSE: {mse}")