Метрики регрессии: MAE, MSE, R2
Измерение ошибки числового прогнозирования
«Метрики регрессии: MAE, MSE, R2» — бесплатный урок Data Science Academy на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Data Science Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Data Science Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
Why Measure Error
When a model predicts numbers, you need one honest score for how far off it is. That score is an error metric, your truth-teller. 📏
The Residual Idea
Start with the residual: the gap between the true value and the predicted one. Every regression metric is just a way to summarize these gaps.
residual = y_true - y_predMean Absolute Error
MAE takes the size of each error, ignores the sign, and averages them. It tells you the typical miss in the same units as your target.
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)MAE Is Easy to Explain
Because MAE stays in real units, you can say the model is off by about 5 dollars on average. Stakeholders love that plain reading.
Mean Squared Error
MSE squares each error before averaging. Squaring punishes big misses much harder, so a few large errors dominate the score.
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)Squaring Changes the Units
One catch: MSE is in squared units, so dollars become squared dollars. The number is hard to interpret on its own.
Root Mean Squared Error
Take the square root of MSE to get RMSE, back in normal units. It keeps the heavy penalty on big errors but reads cleanly.
rmse = mean_squared_error(y_true, y_pred) ** 0.5MAE vs RMSE
Choose MAE when every error matters equally, and RMSE when large mistakes are especially costly and you want them penalized more.
The R-Squared Score
R2 asks a different question: what fraction of the variation in the target your model explains. Higher means a better fit.
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)Reading R-Squared
An R2 of 1.0 is perfect, 0.0 is no better than guessing the mean. It can even go negative when a model fits worse than that.
Use Them Together
No single number tells the whole story. Pair an error metric like RMSE with R2 to see both the typical miss and the overall fit.
Quick Check
Let's pin down what each regression metric really measures.
Recap
Use MAE for plain average error, RMSE to punish big misses, and R2 for fraction of variance explained. Read them together. 🎯
Часто задаваемые вопросы
Урок «Метрики регрессии: MAE, MSE, R2» бесплатный?
Да — полный текст урока «Метрики регрессии: MAE, MSE, R2» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Data Science Academy, подпишись на CoddyKit PRO. Курс Data Science Academy содержит 4 уроков всего.
Чему я научусь в уроке «Метрики регрессии: MAE, MSE, R2»?
Измерение ошибки числового прогнозирования Ты практикуешь Data Science Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Data Science Academy?
Предыдущий опыт не требуется. Data Science Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.
Сколько времени занимает урок «Метрики регрессии: MAE, MSE, R2»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Data Science Academy?
Да. Каждый урок Data Science Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Метрики регрессии: MAE, MSE, R2
- Разбор матрицы ошибок
- Точность, полнота и F1
- ROC, AUC и пороги