📊 تکنیک‌های ارزیابی مدل‌های رگرسیون ML👨🏻💻 خیلیا فقط روی طراحی و آموزش مدل‌های رگرسیون یادگیری ماشین تمرکز می‌کنن و
ارزیابی عملکرد مدل رو دست‌کم می‌گیرن! ولی سوال مهم اینه که چقدر این مدل خوب پیش‌بینی می‌کنه؟ آیا نتایجی که بهمون میده قابل اعتماده یا نه؟
✅ اینجا هست که معیارهای ارزیابی وارد عمل می‌شن! هر کدوم از این معیارها برای تحلیل یه جنبه خاص از عملکرد مدل طراحی شدن. من 7 تا از تکنیک‌های ارزیابی مدل رو به همراه کاربردش بهتون معرفی کردم:
👇1️⃣ خطای میانگین (ME): میانگین اختلاف بین مقادیر واقعی و پیش‌بینی‌شده.
✏️ کاربرد: وقتی می‌خواین بفهمین مدل، پیش‌بینی‌ها رو به طور سیستماتیک بیشتر یا کمتر از مقدار واقعی تخمین می‌زنه.
✂️ ✂️ ✂️ ✂️ ✂️2️⃣ میانگین قدر مطلق خطا (MAE): میانگین قدر مطلق اختلاف‌ها بین مقادیر واقعی و پیش‌بینی‌شده.
✏️ کاربرد: وقتی بزرگی خطا مهمه اما نمی‌خواین مثبت یا منفی بودن خطا تأثیری توی محاسبات داشته باشه. مثلاً در پیش‌بینی دما یا نرخ ارز.
✂️ ✂️ ✂️ ✂️ ✂️3️⃣ میانگین مربعات خطا (MSE): میانگین مربع اختلاف‌ها بین مقادیر واقعی و پیش‌بینی‌شده.
✏️ کاربرد: اگر مدلتون خطاهای بزرگی داره، این معیار اون‌ها رو بیشتر برجسته می‌کنه و نشون میده کجاها باید بهبود داشته باشین.
✂️ ✂️ ✂️ ✂️ ✂️4️⃣ جذر میانگین مربعات خطا (RMSE):✏️ کاربرد: این معیار خطا رو تو همون واحد خروجی مدل نشون میده.
✂️ ✂️ ✂️ ✂️ ✂️5️⃣ میانگین درصد خطا (MPE): میانگین درصد خطاها بین مقادیر واقعی و پیش‌بینی‌شده.
✏️ کاربرد: وقتی می‌خوای خطا رو به صورت نسبی تحلیل کنین، این معیار مناسب‌ترینه. مثلاً در تحلیل فروش یا بازدهی سرمایه‌گذاری.
✂️ ✂️ ✂️ ✂️ ✂️6️⃣ میانگین درصد خطای مطلق (MAPE): میانگین قدر مطلق درصد خطاها.
✏️ کاربرد: برای فهم ساده و سریع خطاها به صورت درصدی. مثل پیش‌بینی سود شرکت‌ها.
✂️ ✂️ ✂️ ✂️ ✂️7️⃣ میانگین قدر مطلق خطای مقیاس‌شده (MASE): خطایی که با خطای معیار اولیه مقیاس‌بندی شده.
✏️ کاربرد: وقتی می‌خواین دقت چند مدل مختلف رو روی داده‌هایی با مقیاس‌های متفاوت مقایسه کنین.
🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir📱 پیج اینستاگرام:
💡 @MachineLearning_fa 
