10.8-9. Train Test Split, оценки

• Визуализация нескольких графиков $fig, axes$


  fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(20, 5))
• Построить много графиков

  sns.pairplot(df)
• Разбиение на наборы

  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
• Параметр test_size=0.33 отвечает

  за набор тестовых данных. То есть для обучения останется 70% данных
• random_state отвечает за генерацию случайных чисел

  нужен, чтобы после восстановить результат
• X_train какой набор данных?

  Обучающий
• y_train содержит

  искомую переменную
• X_test какой набор данных?

  Тестовый
• Импортировать train test split

  from sklearn.model_selection import train_test_split
• Импортировать линейную регрессию

  from sklearn.linear_model import LinearRegression
• model =

  LinearRegression()
• Оценка работы модели

  Performance evaluation
• Частые метрики для регрессии

  MAE, MSE, RMSE
• MAE

  mean absolute error, средняя абсолютная ошибка
• MSE

  mean squared error, среднеквадратичная ошибка
• RMSE

  root mean square error, среднеквадратическое отклонение
• MAE, MSE, RMSE подойдут для

  любой регрессии
• MAE, mean absolute error. Абсолютная разница между истинным значением y_i и результатом работы модели (y с крышкой). Усреднённая по всем точкам


  $\frac1n \Sigma_{i=1}^n |y_i - \hat{y_i}|$
• MAE не наказывает

  большие ошибки. С выбросами будет неудачно
• MSE, среднеквадратическая ошибка


  наказывает большие ошибки, тк возводит их в квадрат
• MSE, формула

  $\frac1n\Sigma_{i=1}^n (y_i - \hat{y_i})^2$
• RMSE (root mean squared error), среднеквадратическое отклонение

  $\sqrt{\frac1n \Sigma_{i=1}^n (y_i - \hat{y_i})^2}$
• Residuals

  Остатки
• Остатки, формула

  $(y - \hat{y})$
• Импорт метрик

  from sklearn.metrics import mean_absolute_error, mean_squared_error
• RMSE, код

  RMSE = np.sqrt(mean_squared_error(y_test, test_predictions)