Метрики
В качестве ключевых метрик были выбраны представленные ниже, чтобы отслеживать, на сколько хорошо мы обучили модель:
- MSE - Mean Squared Error - сумма квадратов ошибок, показывает на сколько сильно мы ошиблись. Содержательно, когда мы видим, что другие метрики не изменяются, но ошибка на одних и тех же данных (при одном разбиении на траин и вал) уменьшается - модель становится лучше при таком же показателе точности.
- R2 Score - Суть его работы заключается в измерении количества отклонений в прогнозах, объясненных набором данных. Проще говоря, это разница между выборками в наборе данных и прогнозами, сделанными моделью.
- Explained variance - доля «объясненной дисперсии» равна квадрату коэффициента корреляции R2, она разделяет все недостатки последнего: она отражает не только качество регрессии, но и распределение независимых (обусловливающих) переменных.
Такие результаты у нас для моделей при генерации новых фич из данных:
With feature engineering
Model | Explained variance | MSE | R2 Score |
---|---|---|---|
Best hyperopt | 0.9052 | 726849552.52045 | 0.9052 |
CatBoost | 0.9082 | 704468814.12118 | 0.9082 |
А такие без применения feature engineering:
Model | Explained variance | MSE | R2 Score |
---|---|---|---|
Best hyperopt | 0.8990 | 775990549.96127 | 0.8988 |
CatBoost | 0.9112 | 680810097.78536 | 0.9112 |