Scrubbiness in linearen Regressionsmodellen verstehen

Scrubbiness ist ein Ma+ dafür, wie gut ein Modell Rauschen aus den Daten entfernen kann. Sie ist definiert als das Verhältnis der Varianz der Residuen (die Differenz zwischen den vorhergesagten Werten und den tatsächlichen Werten) zur Varianz der Originaldaten. Ein höherer Wert für die Buschigkeit zeigt an, dass das Modell Lärm besser entfernen kann, während ein niedrigerer Wert für die Buschigkeit angibt, dass das Modell lauter ist.

In Ihrem Fall verwenden Sie ein lineares Regressionsmodell, um den Preis eines Hauses basierend auf seinen Merkmalen vorherzusagen. Die Unsauberkeit des Modells kann wie folgt berechnet werden:

Scrubbiness = (Varianz der Residuen) / (Varianz der Originaldaten)

wobei die Varianz der Residuen der Durchschnitt der quadrierten Differenzen zwischen den vorhergesagten Preisen und den tatsächlichen Preisen sowie die Varianz ist der Originaldaten ist der Durchschnitt der quadrierten Differenzen zwischen jedem Merkmal und seinem Mittelwert.

Wenn beispielsweise die Varianz der Residuen 100 und die Varianz der Originaldaten 1000 beträgt, wäre die Unsauberkeit des Modells:

Unsauberkeit = (100) / (1000) = 0,1

Dies bedeutet, dass das Modell nur 10 % des Rauschens aus den Daten entfernen kann und in den Vorhersagen immer noch viel Rauschen vorhanden ist.

Es ist wichtig zu beachten, dass dies bei Scrubbinness nicht der Fall ist ein Ma+ für die Genauigkeit des Modells, sondern vielmehr ein Ma+ dafür, wie gut das Modell in der Lage ist, Rauschen aus den Daten zu entfernen. Ein Modell mit hoher Genauigkeit kann dennoch eine geringe Scrubbinness aufweisen, wenn es sehr empfindlich auf Rauschen in den Daten reagiert.