MSE чутливіший до викидів, бо штрафує великі відхилення сильніше, тоді як MedAE менш чутливий до викидів.

Обидва виражені в відсотках, тому різниці немає.

MSE завжди більший за MedAE.

MedAE потребує попереднього масштабування даних, а MSE – ні.

Класифікація більш обчислювально складна за регресію.

У регресії вхідні змінні завжди цілочисельні.

Регресію не можна реалізувати в бібліотеці scikit-learn.

У регресії результат може бути неперервним значенням, а в класифікації – категорією.

Mean Squared Error (MSE)

Mean Absolute Error (MAE)

R2 (коефіцієнт детермінації)

Accuracy (Точність)

У використанні кількох вхідних ознак для прогнозу.

У використанні декількох видів кластерів замість одного.

У поєднанні лінійної та логістичної регресій.

У моделі, яка має лише одну вихідну змінну.

Щоб уникнути розбиття на тренувальний і тестовий набори

Тільки якщо вхідні дані цілочисельні

Коли зв’язок між X та y явно нелінійний, і проста лінійна модель не дає задовільних результатів

Лише коли X містить понад 10 000 рядків

Метод Гаусса-Ньютона

Метод опорних векторів

Метод Найменших Квадратів

Метод Монте-Карло

Aire descendent, escalfament i temps sec.

Aire ascendent, refredament i formació de núvols, amb més probabilitat de pluges.

Sempre dies totalment assolellats i sense vent.

Temperatures extremadament altes tot l’any.

Tempestes elèctriques contínues.

Cels clars o poca nuvolositat, vent suau.

Neu abundant tot l’any.

Pluges fortes i vents molt forts.