Forstå scrubbiness i lineære regresjonsmodeller

Scrubbiness er et mål på hvor godt en modell er i stand til å fjerne støy fra dataene. Det er definert som forholdet mellom variansen til residualene (forskjellen mellom de predikerte verdiene og de faktiske verdiene) og variansen til de opprinnelige dataene. En høyere skrubbighetsverdi indikerer at modellen er bedre til å fjerne støy, mens en lavere skrubbighetsverdi indikerer at modellen er mer støyende.

I ditt tilfelle bruker du en line
r regresjonsmodell for å forutsi prisen på et hus basert på dets egenskaper. Scrubbiness av modellen kan beregnes som følger:

Scrubbiness = (Varians av residualer) / (Varians of original data)

hvor variansen av residualene er gjennomsnittet av kvadrerte forskjeller mellom de predikerte prisene og de faktiske prisene, og variansen av de opprinnelige dataene er gjennomsnittet av kvadrerte forskjeller mellom hver funksjon og dens middelverdi.

For eksempel, hvis variansen til residualene er 100 og variansen til de opprinnelige dataene er 1000, vil modellens skrubbiness v
re:

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

Dette betyr at modellen bare er i stand til å fjerne 10 % av støyen fra dataene, og det er fortsatt mye støy i spådommene.

Det er viktig å merke seg at skrubbighet ikke er et mål på nøyaktigheten til modellen, men heller et mål på hvor godt modellen er i stand til å fjerne støy fra dataene. En modell med høy nøyaktighet kan fortsatt ha lav skrubbighet hvis den er sv
rt følsom for støy i dataene.