Коли ми підганяємо модель, ми насправді вибираємо значення для m і b – нахил і перетин. Суть підгонки моделі полягає в тому, щоб знайти це рівняння – знайти такі значення m і b, що y=mx+b описує лінію, яка добре відповідає даним наших спостережень.

Заходи моделі Fit Усі три базуються на двох сумах квадратів: сумі квадратів (SST) і сумі квадратів помилки (SSE).. SST вимірює, наскільки далекі дані від середнього, а SSE вимірює, наскільки далекі дані від прогнозованих значень моделі.

Рівняння лінії найкращого підходу можна представити у вигляді y = m x + b , де m — кут нахилу, а b — точка перетину y. Ми розглянемо два приклади, які показують точкову діаграму з лінією найкращого підходу, щоб зрозуміти концепцію того, як апроксимувати рівняння лінії найкращого підходу та робити прогнози.

y = mx + b Лінія найкращого підходу формули y = mx + b. Знайти лінію найкращого підходу за формулою можна за допомогою методу нахилу точки. Візьміть дві точки, як правило, початкову точку та останню вказану точку, і знайдіть кут нахилу та перетин y.');})();(function(){window.jsl.dh('Nz7rZonVMtLb0PEPrOTN-QI__49','

Модель Fitting є вимірювання того, наскільки добре модель машинного навчання адаптується до даних, подібних до даних, на яких її було навчено. Процес підгонки, як правило, вбудований у моделі та є автоматичним. Добре підібрана модель буде точно наближено виводити нові дані, даючи більш точні результати.

Існує багато показників або способів вимірювання відповідності моделі після закінчення навчання. Деякі з найвідоміших включають точність, середня квадратична помилка (MSE), середнє значення, категорійна крос-ентропія або AUC (площа під кривою).