Какие знаешь метрики регрессии

Основные метрики регрессии:

1. MAE (Mean Absolute Error) - средняя абсолютная ошибка. Чувствительна к выбросам, но интерпретируема.

from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(y_true, y_pred)

2. MSE (Mean Squared Error) - средняя квадратичная ошибка. Сильно штрафует большие отклонения.

from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_true, y_pred)

3. RMSE (Root MSE) - корень из MSE. Имеет ту же размерность, что и целевая переменная.

4. R² (R-squared) - доля объясненной дисперсии. 1 - идеальная модель, 0 - константный прогноз.

5. MAPE (Mean Absolute Percentage Error) - средняя абсолютная процентная ошибка. Удобен для бизнес-интерпретации.

6. MSLE (Mean Squared Log Error) - MSE в логарифмической шкале. Полезен при больших диапазонах целевой переменной.

Выбор метрики зависит от задачи: MSE/RMSE для сильного наказания больших ошибок, MAE для робастности, R² для сравнения моделей.