Методы оценки качества прогнозирования

Приведенные в разделе 2.2.2 характеристики более полезны для описания задач систематизации ежели для задач регрессии. Для задач регрессии ошибки не просто находятся либо отсутствуют, а имеют разные числовые значения.

Другие меры, некие из которых приведены в табл. 4.2, могут быть применены для оценки удачливости числовых пророчеств.

Таблица 3.2 – Меры оценки свойства решения задачки Методы оценки качества прогнозирования регрессии

Параметр Формула для расчета
Средний квадрат ошибки (mean-squared error)
Среднеквадратическая ошибка (root mean-squared error)
Средняя абсолютная ошибка (mean-absolute error)
Относительный квадрат ошибка (relative-squared error)*
Root relative-squared error*
Relative-absolute error*
Коэффициент корреляции (correlation coefficient)** ,
, ,

где p1 , p2 , …, pn – значения, предсказанные для мотивированного атрибута Методы оценки качества прогнозирования испытательной подборки;

a1, a2 , …, an – реальные значения мотивированного атрибута;

– среднее арифметическое (* – обучающей подборки, ** – текстовой).

Задание на лабораторную работу

1. Изберите в в таблице Б.2 два набора данных. Сделайте для каждой подборки последующие задания.

2. Загрузите набор данных.

3. По мере надобности за ранее обработайте начальные данные.

4. Решите задачку регрессии с помощью последующих способов Методы оценки качества прогнозирования:

o Linear regression;

o SMOreg;

o M5P (model trees and regression trees) со последующими параметрами опции:

· build regression tree: True, unpruned: True, useUnsmoothed: True;

· build regression tree: True, unpruned: False, useUnsmoothed: True;

· build regression tree: False, unpruned: True, useUnsmoothed: True;

· build regression tree: False, unpruned: False, useUnsmoothed: True;

o Методы оценки качества прогнозирования kNN.

5. Запишите приобретенные модели и сравните их эффективность (точность пророчества).

6. Отобразите результаты пророчества для 5 случайных экземпляров.

7. Какие из атрибутов являются более важными для пророчества значения мотивированного атрибута, судя из построенных моделей? Почему? Как поменяется точность пророчества, если бросить только важные атрибуты?

Контрольные вопросы

1. В чем состоит задачка регрессии? Приведите практический пример?

2. Чем Методы оценки качества прогнозирования задачка регрессии похожа и чем отличается от задачки систематизации?

3. Что такое обучение с учителем и без учителя? К какому типу относится задачка регрессии?

4. Задачка регрессии относится к описательным либо предсказательным и почему?

5. Опишите один из рассмотренных способов, решающих задачку регрессии?

6. Как оценить качество построенной модели для задачки регрессии Методы оценки качества прогнозирования?

Содержание отчета

1. Тема и цель работы

2. Задание к работе.

3. Результаты выполнения заданий п.3.3.

4. Ответы на контрольные вопросы.

5. Выводы, отображающие критичный анализ результатов выполнения работы.

Лабораторна бота № 4
Задачка кластеризации

Цель работы

На практике изучить работу алгоритмов кластеризации, научиться интерпретировать результаты их работы и выбирать лучший способ для решаемой прикладной задачки.


metodi-povisheniya-effektivnosti-elektrofiltrov.html
metodi-povisheniya-produktivnosti-ptici-kachestva-pishevih-yaic-i-yaichnih-produktov-pri-ispolzovanii-visokoproduktivnih-krossov-kur-06-02-10-chastnaya-zootehniya-tehnologiya-proizvodstva-produktov-zhivotnovodstva-stranica-3.html
metodi-poznaniya-socialno-ekonomicheskih-processov.html