На этом шаге мы подведем некоторые промежуточные итоги.
Вот какие выводы вы должны сделать из этого примера.
- Регрессия выполняется с применением иных функций потерь, нежели классификация. Для регрессии часто используется функция потерь, вычисляющая среднеквадратичную ошибку (mean squared error, MSE).
- Аналогично для регрессии используются иные метрики оценки, нежели при классификации; понятие точности неприменимо для регрессии, поэтому для оценки качества часто берется средняя абсолютная ошибка (mean absolute error, MAE).
- Когда признаки образцов на входе имеют значения из разных диапазонов, их необходимо предварительно масштабировать.
- При небольшом объеме входных данных надежно оценить качество модели поможет метод перекрестной проверки по K блокам.
- При небольшом объеме обучающих данных предпочтительнее использовать маленькие модели с небольшим количеством промежуточных слоев (обычно с одним или двумя), чтобы избежать серьезного переобучения.
На следующем шаге мы подведем итоги по изученному материалу.
