Estimates, MSE, R², MAPE, Bias, Giga

Estimates, MSE, R², MAPE, Bias, Giga
https://giga.chat/link/gcsQWGHAdu
1. Mean Squared Error (MSE):
MSE — это средний квадрат ошибок между предсказанными и реальными значениями. Формула:
$$MSE=\frac{1}{n}\sum _{i=1}^n(y_i-{\widehat{y}}_i{)}^2$$
Где:
$y_i$ — истинное значение.
${\widehat{y}}_i$ — предсказанное значение.
MSE чувствительна к выбросам, так как квадраты ошибок усиливают влияние больших отклонений.
2. Coefficient of Determination (R²):
Коэффициент детерминации $R^2$ показывает, 
какую долю вариации объясняемой переменной объясняет модель. 
Формула:
$$R^2=1-\frac{SSE}{SST}$$
Где:
$SSE$ — сумма квадратов остатков.
$SST$ — полная сумма квадратов.
$R^2$ колеблется от 0 до 1, где 1 означает идеальное совпадение.
3. Mean Absolute Percentage Error (MAPE):
MAPE — это средняя абсолютная ошибка в процентах. Формула:
$$MAPE=\frac{1}{n}\sum _{i=1}^n\mid \frac{y_i-{\widehat{y}}_i}{y_i}\mid \cdot 100\mathrm{\%}$$

​yi​yi​−y^​i​​

​⋅100%
MAPE удобен для сравнения моделей, так как измеряется в процентах.
4. Bias (Смещение):
Bias — это разница между ожидаемым значением предсказанной величины и истинным значением. 
Формула:
$$Bias=E[\widehat{Y}]-Y$$
Bias показывает систематическую погрешность модели.
Заключение:
Каждое из этих измерений добавляет уникальную точку зрения на качество модели 
и её способности к прогнозированию. 
Выбор правильной метрики зависит от природы данных и целей проекта.