Inżynier ML musi przewidzieć ceny mieszkań dla określonej lokalizacji. Jaka metryka oceny jest odpowiednia do pomiaru wydajności predykcyjnej modelu?

W przypadku przewidywania cen mieszkań, które są wartościami ciągłymi, problemem jest regresja. Średni błąd bezwzględny (MAE) jest odpowiednią metryką dla zadań regresji, ponieważ mierzy średnią wielkość błędów w zbiorze przewidywań, bez uwzględniania ich kierunku. Oznacza to, że MAE uśrednia bezwzględne różnice między przewidywanymi a rzeczywistymi wartościami, dając jasne pojęcie o typowej wielkości błędu modelu. Accuracy, AUC i F1 score to metryki używane do oceny modeli klasyfikacji, gdzie celem jest przewidywanie dyskretnych klas, a nie wartości ciągłych. Accuracy mierzy odsetek poprawnych przewidywań, AUC ocenia zdolność modelu do rozróżniania klas, a F1 score jest średnią harmoniczną precyzji i kompletności. Żadna z tych metryk nie jest odpowiednia do oceny wydajności modelu regresji.