Машинное обучение. Погружение в технологию

•      Средняя квадратичная ошибка (MSE): Измеряет среднее квадратичное отклонение между предсказанными и фактическими значениями.

•      Коэффициент детерминации (R^2): Показывает, насколько хорошо модель объясняет изменчивость целевой переменной относительно базовой модели.

3.      В задачах кластеризации:

•      Коэффициент силуэта (silhouette coefficient): Измеряет степень разделения кластеров и их компактность на основе расстояний между объектами внутри кластера и между кластерами.

•      Индекс Данна (Dunn index): Оценивает компактность и разделение кластеров на основе минимальных и максимальных расстояний между объектами.

4.      Методы оценки производительности:

•      Кросс-валидация (cross-validation): Позволяет оценить стабильность и обобщающую способность модели путем повторного разделения данных на обучающую и валидационную выборки.

•      Разделение выборки на обучающую, валидационную и тестовую: Позволяет проверить производительность модели на новых, ранее не виденных данных, чтобы оценить ее способность к обобщению.

Выбор подходящих метрик и методов оценки производительности зависит от конкретной задачи и характеристик данных. Цель состоит в том, чтобы выбрать метрики, которые наилучшим образом отражают требуемые характеристики модели и задачи, и использовать соответствующие методы оценки для получения надежной оценки производительности модели.

Глава 2: Обучение с учителем

2.1 Линейная регрессия

Линейная регрессия – это один из основных методов Машинного обучения, используемый для предсказания непрерывной зависимой переменной на основе линейной комбинации независимых переменных.

В линейной регрессии предполагается, что существует линейная связь между независимыми и зависимой переменными. Модель линейной регрессии определяется уравнением:

y = b0 + b1x1 + b2x2 + … + bn*xn

где y – зависимая переменная, x1, x2, …, xn – независимые переменные, b0, b1, b2, …, bn – коэффициенты модели, которые определяют веса, или важность, каждой независимой переменной.

Для оценки коэффициентов модели используется метод наименьших квадратов (МНК), который минимизирует сумму квадратов разностей между фактическими и предсказанными значениями зависимой переменной.

Линейная регрессия может быть однофакторной (с одной независимой переменной) или многофакторной (с несколькими независимыми переменными).