Анализ данных и применение базового метода машинного обучения в Azure

Данный эксперимент был построен по подробному описанию, доступному по ссылке — https://docs.microsoft.com/ru-ru/azure/machine-learning/studio/create-experiment

Отчет по проделанной работе:

Для нашей модели будет выведена следующая статистика

• Средняя абсолютная погрешность. Среднее значение абсолютной погрешности (погрешность — это разница между спрогнозированным и фактическим значением)
• Среднеквадратичное отклонение. Квадратный корень из среднего значения возведенных в квадрат арифметических отклонений спрогнозированных значений тестового набора данных
• Относительное арифметическое отклонение. Среднее арифметическое отклонение по отношению к абсолютной разнице между фактическими значениями и средним арифметическим всех фактических значений
• Относительное среднеквадратичное отклонение. Среднее арифметическое среднеквадратичных отклонений по отношению к абсолютной разнице между фактическими значениями и средним арифметическим всех фактических значений
• Коэффициент смешанной корреляции (R в квадрате). Статистический показатель, который оценивает соответствие модели данным

Чем меньше значение каждой погрешности, тем лучше. Меньшее значение указывает на то, что прогноз лучше соответствует фактическим значениям. Для показателя коэффициент смешанной корреляции чем ближе его значение к единице (1,0), тем точнее прогноз

Алгоритм выполнения работы

1. Начальные данные «сырые», имеют в своем составе аномалии
2. Чтобы избавиться от аномалий были использованы специальные модули
3. Далее были выбраны необходимые переменные, благодаря которым будет построена регрессия на результативный признак
4. Строим линейную регрессию по инструкции с помощью модулей, рекомендованных Microsoft, используя выбранную совокупность
5. Проверка на тестовой выборке