Ответь на вопросы: 1) Какая модель оказалась лучше по MAE и R²? 2) Почему, как вы думаете, она лучше на ваших данных? 3) Что показывает график факт/прогноз?

Добавлена: 11.04.2026
Обновлена: 11.04.2026
Предмет: Статистика
Автор: Кэмп

#Прикладная статистика в экономике
#Статистическое моделирование

Условие:

Ответь на вопросы:
1) Какая модель оказалась лучше по MAE и R²?
2) Почему, как вы думаете, она лучше на ваших данных?
3) Что показывает график факт/прогноз?

Решение:

1. Какая модель оказалась лучше по MAE и $R^2$ ?

Для определения лучшей модели мы сравниваем значения метрик MAE (Средняя абсолютная ошибка) и $R^2$ (Коэффициент детерминации).

Результаты метрик:

Модель	MAE	$R^2$
Линейная регрессия (LR)	$1.05$	$0.896$
Случайный лес (RF)	$1.554$	$0.791$

Анализ метрик:

MAE (Mean Absolute Error): Чем меньше значение MAE, тем лучше модель.

$MAE_{LR} = 1.05$
$MAE_{RF} = 1.554$
Поскольку $1.05 < 1.554$ , Линейная регрессия лучше по MAE.

$R^2$ (R-squared):...

Внутри — полный разбор, аргументация, алгоритм решения, частые ошибки и как отвечать на каверзные вопросы препода, если спросит

Попробуй решить по шагам

Попробуй один шаг и продолжи в режиме обучения или посмотри готовое решение

Какой из перечисленных факторов может объяснить, почему более простая модель, такая как Линейная регрессия, может превзойти более сложную, такую как Случайный лес, на конкретном наборе данных?

Случайный лес всегда требует больше данных для обучения, чем Линейная регрессия.

Данные имеют преимущественно линейную зависимость, и Случайный лес был переобучен или недостаточно настроен.

Линейная регрессия по своей природе более устойчива к выбросам в данных.