ТК 022 Информационные технологии

Метрика качества модели — инструмент для оценки производительности модели машинного обучения. Метрики качества модели позволяют измерить точность и качество работы модели на данных. [Оценка качества

ROC AUC — метрика качества модели для задач классификации, которая измеряет способность модели различать между классами. [Оценка качества моделей машинного обучения: выбор, интерпретация и применение

Mean Squared Error (MSE) — метрика качества модели для задач регрессии, которая измеряет среднеквадратическую ошибку между прогнозируемым и фактическими значениями. [Оценка качества моделей машинного обучения:

Root Mean Squared Error (RMSE) — метрика качества модели для задач регрессии, которая является корнем из среднеквадратической ошибки. [Оценка качества моделей машинного обучения: выбор, интерпретация

Mean Absolute Error (MAE) — метрика качества модели для задач регрессии, которая измеряет среднюю абсолютную ошибку между прогнозируемым и фактическим значением. [Оценка качества моделей машинного

Коэффициент детерминации (R-squared) — метрика качества модели для задач регрессии, которая измеряет долю дисперсии, которая может быть объяснена моделью. [Оценка качества моделей машинного обучения: выбор,

Коэффициент силуэта (Silhouette coefficient) — метрика качества модели для задач кластеризации, которая измеряет степень разделения кластеров. [Оценка качества моделей машинного обучения: выбор, интерпретация и применение

Индекс Дэвиса-Болдина (Davies-Bouldin index) — метрика качества модели для задач кластеризации, которая измеряет суммарное сходство кластеров и их компактность. [Оценка качества моделей машинного обучения: выбор,

Индекс Калински-Харабаша (Calinski-Harabasha index) — метрика качества модели для задач кластеризации, которая измеряет степень разделения кластеров и межкластерное расстояние. [Оценка качества моделей машинного обучения: выбор,