🎯 Метрики — это оценки качества модели.
Ты сделал предсказание, но насколько оно точное? Метрика даст ответ.
✅ Чем меньше метрика, тем лучше работает твоя модель.
Сейчас покажу три самые важные:
MAE, MSE и RMSE.
1️⃣MAE (Mean Absolute Error) — это средняя ошибка модели.
Она говорит:
"На сколько в среднем ты промахиваешься?"
📊 Пример:
Предсказывал цены:
Факт: [100, 200, 300]
Предсказание: [110, 190, 290]
Ошибки: [10, 10, 10]
MAE = (10 + 10 + 10) / 3 = 10
📌 Простыми словами:
В среднем модель ошибается на 10 единиц.
2️⃣MSE (Mean Squared Error) — тоже про ошибку, но:
👉 Все ошибки возводятся в квадрат.
Почему? Потому что крупные ошибки становятся очень заметны.
🧮 Пример:
Ошибки: [10, 10, 30]
Квадраты: [100, 100, 900]
MSE = (100 + 100 + 900) / 3 = 366.67
📌 Вывод:
Если один раз сильно облажался — MSE это покажет.
3️⃣RMSE — это просто корень из MSE.
Он сохраняет чувствительность к большим ошибкам, но при этом результат остаётся в тех же единицах, что и исходные данные (например, рубли, километры и т.п.)
📊 Пример:
Если MSE = 366.67
👉 RMSE = √366.67 ≈ 19.15
📌 Интерпретация:
Ошибка в среднем — 19 единиц, с учётом "сильных ляпов".
Это самая популярная метрика в реальных проектах.
Как посчитать это в Python
from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np
y_true = np.array([100, 200, 300])
y_pred = np.array([110, 190, 270])
mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred, squared=False)
print("MAE:", mae)
print("MSE:", mse)
print("RMSE:", rmse)
# Вывод
MAE: 16.666666666666668
MSE: 366.6666666666667
RMSE: 19.157244060668017