Ilekro\u0107 dopasowujemy model regresji, chcemy zrozumie\u0107, jak dobrze model jest w stanie wykorzysta\u0107 warto\u015bci zmiennych predykcyjnych do przewidzenia warto\u015bci zmiennej odpowiedzi.<\/span><\/p>\n Dwie metryki, kt\u00f3rych cz\u0119sto u\u017cywamy do ilo\u015bciowego okre\u015blenia dopasowania modelu do zbioru danych, to \u015bredni b\u0142\u0105d bezwzgl\u0119dny (MAE) i pierwiastek b\u0142\u0119du \u015bredniokwadratowego (RMSE), kt\u00f3re oblicza si\u0119 w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n MAE<\/strong> : Metryka, kt\u00f3ra m\u00f3wi nam o \u015bredniej bezwzgl\u0119dnej r\u00f3\u017cnicy mi\u0119dzy warto\u015bciami przewidywanymi a warto\u015bciami rzeczywistymi w zbiorze danych. Im ni\u017cszy MAE, tym lepiej model pasuje do zbioru danych.<\/span><\/p>\n MAE = 1\/n * \u03a3|y i<\/sub> \u2013 \u0177 i<\/sub> |<\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n RMSE<\/strong> : Metryka, kt\u00f3ra informuje nas o pierwiastku kwadratowym \u015bredniej kwadratowej r\u00f3\u017cnicy mi\u0119dzy warto\u015bciami przewidywanymi a warto\u015bciami rzeczywistymi w zbiorze danych. Im ni\u017cszy RMSE, tym lepiej model pasuje do zbioru danych.<\/span><\/p>\n Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n RMSE = \u221a \u03a3(y i<\/sub> \u2013 \u0177 ja<\/sub> ) 2<\/sup> \/ n<\/span><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce u\u017cywamy modelu regresji, aby przewidzie\u0107, ile punkt\u00f3w zdob\u0119dzie 10 graczy w meczu koszyk\u00f3wki.<\/span><\/p>\n Poni\u017csza tabela przedstawia punkty przewidywane przez model w por\u00f3wnaniu z rzeczywistymi punktami zdobytymi przez graczy:<\/span> <\/p>\n Korzystaj\u0105c z kalkulatora MAE, mo\u017cemy obliczy\u0107, \u017ce MAE wynosi 3,2.<\/strong><\/span><\/p>\n M\u00f3wi nam to, \u017ce \u015brednia bezwzgl\u0119dna r\u00f3\u017cnica mi\u0119dzy warto\u015bciami przewidywanymi przez model a warto\u015bciami rzeczywistymi wynosi 3,2.<\/span><\/p>\n U\u017cywaj\u0105c kalkulatora RMSE<\/a> , mo\u017cemy obliczy\u0107, \u017ce RMSE jest r\u00f3wne 4<\/strong> .<\/span><\/p>\n To m\u00f3wi nam, \u017ce pierwiastek kwadratowy \u015bredniej kwadratowej r\u00f3\u017cnicy mi\u0119dzy przewidywanymi punktami zdobytymi a faktycznie zdobytymi punktami wynosi 4.<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce ka\u017cda metryka daje nam wyobra\u017cenie o typowej r\u00f3\u017cnicy mi\u0119dzy warto\u015bci\u0105 przewidywan\u0105 ustalon\u0105 przez model a rzeczywist\u0105 warto\u015bci\u0105 w zbiorze danych, ale interpretacja ka\u017cdej metryki jest nieco inna.<\/span><\/p>\n Je\u015bli chcesz przypisa\u0107 wi\u0119ksz\u0105 wag\u0119 obserwacjom, kt\u00f3re s\u0105 dalej od \u015bredniej (tj. je\u015bli odchylenie 20 jest ponad dwukrotnie wi\u0119ksze ni\u017c odchylenie 10), lepiej jest u\u017cy\u0107 RMSE do pomiaru b\u0142\u0119du, poniewa\u017c RMSE jest bardziej wra\u017cliwe na obserwacje dalej od \u015bredniej.<\/span><\/p>\n Je\u015bli jednak \u201eprzesuni\u0119cie\u201d w wieku 20 jest dwa razy gorsze ni\u017c \u201eprzesuni\u0119cie\u201d w wieku 10, w\u00f3wczas lepiej jest u\u017cy\u0107 MAE.<\/span><\/p>\n Aby to zilustrowa\u0107, za\u0142\u00f3\u017cmy, \u017ce mamy gracza, kt\u00f3ry wyra\u017anie odbiega od normy pod wzgl\u0119dem liczby zdobytych punkt\u00f3w:<\/span> <\/p>\n Korzystaj\u0105c ze wspomnianych wcze\u015bniej kalkulator\u00f3w online, mo\u017cemy obliczy\u0107 MAE i RMSE jako:<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce RMSE wzrasta znacznie bardziej ni\u017c MAE.<\/span><\/p>\n Dzieje si\u0119 tak, poniewa\u017c RMSE wykorzystuje w swoim wzorze kwadraty r\u00f3\u017cnic, a kwadratowa r\u00f3\u017cnica mi\u0119dzy zaobserwowan\u0105 warto\u015bci\u0105 76 a przewidywan\u0105 warto\u015bci\u0105 22 jest do\u015b\u0107 du\u017ca. Powoduje to znaczny wzrost warto\u015bci RMSE.<\/span><\/p>\n W praktyce zazwyczaj dopasowujemy wiele modeli regresji do zbioru danych i obliczamy tylko jedn\u0105 z tych metryk dla ka\u017cdego modelu.<\/span><\/p>\n Na przyk\u0142ad mogliby\u015bmy dopasowa\u0107 trzy r\u00f3\u017cne modele regresji i obliczy\u0107 RMSE dla ka\u017cdego modelu. Wybraliby\u015bmy wtedy model o najni\u017cszej warto\u015bci RMSE jako \u201enajlepszy\u201d model, poniewa\u017c to on daje przewidywania najbli\u017csze rzeczywistym warto\u015bciom w zbiorze danych.<\/span><\/p>\n W obu przypadkach upewnij si\u0119, \u017ce obliczy\u0142e\u015b t\u0119 sam\u0105 metryk\u0119 dla ka\u017cdego modelu. Na przyk\u0142ad nie obliczaj MAE dla jednego modelu i RMSE dla innego modelu, a nast\u0119pnie por\u00f3wnuj te dwa pomiary.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak obliczy\u0107 MAE przy u\u017cyciu r\u00f3\u017cnych program\u00f3w statystycznych:<\/span><\/p>\n Jak obliczy\u0107 \u015bredni b\u0142\u0105d bezwzgl\u0119dny w programie Excel<\/a> Poni\u017csze samouczki wyja\u015bniaj\u0105, jak obliczy\u0107 RMSE przy u\u017cyciu r\u00f3\u017cnych program\u00f3w statystycznych:<\/span><\/p>\n Jak obliczy\u0107 \u015bredni b\u0142\u0105d kwadratowy w programie Excel<\/a> Modele regresji s\u0142u\u017c\u0105 do ilo\u015bciowego okre\u015blenia zwi\u0105zku mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych azmienn\u0105 odpowiedzi . Ilekro\u0107 dopasowujemy model regresji, chcemy zrozumie\u0107, jak dobrze model jest w stanie wykorzysta\u0107 warto\u015bci zmiennych predykcyjnych do przewidzenia warto\u015bci zmiennej odpowiedzi. Dwie metryki, kt\u00f3rych cz\u0119sto u\u017cywamy do ilo\u015bciowego okre\u015blenia dopasowania modelu do zbioru danych, to \u015bredni b\u0142\u0105d bezwzgl\u0119dny […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2259","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
\n
Przyk\u0142ad: Obliczanie RMSE i MAE<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mse_1.png\")
<\/p>\n RMSE vs. MAE: Kt\u00f3rego wska\u017anika nale\u017cy u\u017cy\u0107?<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/sortie2.png\")
<\/p>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 \u015bredni b\u0142\u0105d bezwzgl\u0119dny w R<\/a>
Jak obliczy\u0107 \u015bredni b\u0142\u0105d bezwzgl\u0119dny w Pythonie<\/a><\/p>\n
Jak obliczy\u0107 b\u0142\u0105d \u015bredniokwadratowy w R<\/a>
Jak obliczy\u0107 \u015bredni b\u0142\u0105d kwadratowy w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"