معايير كفاءة المودل لمهام التوقع Regrission وكيفية تطبيقها باستخدام مكتبة scikit-learn

بشكل عام هناك 4 مقاييس أساسية لقياس كفاءة المودل عندما تكون المهمة من نوع Regrission (توقع):
أول ورابع معيار هم الأكثر استخداماً.
أولاً: Mean Absolute Error
وهي متوسط الفروق بالقيمة المطلقة بين القيم الحقيقية والقيم المتوقعة في مجموعة البيانات، والصورة المرفقة في الأسفل توضح الشكل العام للمعادلة الرياضية المعبرة عنها.
ثانياً: Mean Squared Error
وهي متوسط مربع الفروق بين القيم الحقيقية والمتوقعة، في الأسفل تم توضيح الشكل الرياضي للمعادلة.
ثالثاُ: Root Mean Squared Error
وهو جذر ال Mean Squared Error، في الأسفل تم توضيح الشكل الرياضي للمعادلة.
رابعاً: R Squared
معايير القياس المذكورة أعلاه سيكون لها قيم مختلفة لنماذج مختلفة، أي ليس لها مجال ثابت لكي نخمن على أساسه هل النموذج جيد أم لا، فمثلاً في مشكلة توقع أسعار المنازل قد يكون مجال القيم لهما بين 100 و 400 دولار وفي مسألة توقع درجة الحرارة قد يكون المجال بين ال 1 و 4 (أي القيم الناتجة ليست سهلة القراءة)، أما في هذا المقياس فسوف يكون مجال القيم محصور بين ال 0 وال 1، بحيث 1 تعني أن النموذج خالي من الأخطاء و 0 تعني أن النموذج فاشل تماماً. في الصورة المرفقة في الأسفل تم توضيح الشكل الرياضي للمعادلة.
مثال:
# انتبه أن التابع mean_squared_error يقبل وسيط بولياني يسمى squared في حال ضبطه على True سيتم حساب MSE أما في حال ضبطه على False سوف يحسي MSE ثم يأخذ الجذر أي يصبح RMSE.

####################################### Example ###############################################
# استيراد الدوال 
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error 
from sklearn.metrics import r2_score
y_true = [80.3, 100, -7.7]   # نفرض أن القيم الحقيقية كانت 
y_pred = [85, 99, -0.5]     #  والقيم المتوقعة

####################################### MAE ##################################################
print("MAE is: "+str(mean_absolute_error(y_true, y_pred))) # output: MAE is: 4.300000000000001

####################################### MSE ##################################################
print("MSE is:"+str(mean_squared_error(y_true, y_pred,squared=True))) # MSE is:24.976666666666677

####################################### RMSE ##################################################
print("RMSE is:"+str(mean_squared_error(y_true, y_pred,squared=False))) # RMSE is:4.997666121968001

####################################### R Squaerd ##################################################
print("R Squaerd is:"+str(r2_score(y_true, y_pred)))#R Squaerd is:0.9886074871600465

مثال واقعي على مهمة توقع أسعار المنازل في مدينة بوسطن، حيث أن البيانات تمثل مواصفات المنازل وأسعارها في تلك المدينة :
 

####################################### مثال عملي ##################################################
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error 
from sklearn.metrics import mean_squared_error 
from sklearn.metrics import r2_score
from sklearn.linear_model import LinearRegression

# تحميل الداتاسيت
BostonData = load_boston()
x = BostonData.data
y = BostonData.target

# تقسيم الداتا إلى عينة تدريب وعينة اختبار
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=44, shuffle =True)


#تعريف LinearRegressionModel 

LR = LinearRegression()
LR.fit(X_train, y_train)


# حساب القيم المتوقعة
y_pred = LR.predict(X_test)


# Mean Absolute Error
MAE = mean_absolute_error(y_test, y_pred)
print('Mean Absolute Error Value is : ', MAE) #Mean Absolute Error Value is :  3.4318693222761523


# Mean Squared Error
MSE = mean_squared_error(y_test, y_pred,squared=True)
print('Mean Squared Error Value is : ', MSE) #Mean Squared Error Value is :  21.439149523649792

# Root Mean Squared Error
RMSE = mean_squared_error(y_test, y_pred,squared=False)
print('Root Mean Squared Error Value is : ', RMSE) #Root Mean Squared Error Value is :  4.6302429227471205
# R Squaerd
print("R Squaerd is: "+str(r2_score(y_test, y_pred))) # R Squaerd is: 0.7532417995961468

فرانسوا كوليت ينصح باعتماد MAE.