Статья Автор: Деникина Н.В., Деникин А.В.

Три главных метод работы с моделью. Метод 3: .score() - Оценка качества

Метод 3: `.score()` - Оценка качества

# model.score(X, y) - "насколько хорошо модель предсказывает?"

Что происходит внутри .score()
ШАГ 1: Делает предсказания для X predictions = model.predict(X)
ШАГ 2: Сравнивает предсказания с y
ШАГ 3: Вычисляет R² (коэффициент детерминации)
ШАГ 4: Возвращает число от -∞ до 1

1.0 = идеально
0.0 = как среднее
<0 = хуже среднего

import numpy as np
from sklearn.linear_model import LinearRegression

# Наши данные
X = np.array([[1], [2], [3], [4], [5]])  # Признаки (дни)
y = np.array([2, 4, 5, 4, 6])            # Целевая переменная (температура)

# Создаём модель
model = LinearRegression()

# ОБУЧАЕМ модель
model.fit(X, y)  # ← ВОТ ТУТ ПРОИСХОДИТ МАГИЯ!

# Предсказываем для ОБУЧАЮЩИХ данных
predictions_train = model.predict(X)

# Предсказываем для НОВЫХ данных
X_new = np.array([[6], [7], [10]])
predictions_new = model.predict(X_new)

print("\n" + "=" * 60)
print("ОЦЕНКА")
print("=" * 60)
# Оцениваем на обучающих данных
r2_train = model.score(X, y)
print(f"\nR^2 score на обучающих данных: {r2_train:.3f}")

# Интерпретация
print("\nЧто это значит:")
if r2_train > 0.9:
    print("Отлично! Модель объясняет >90% изменений")
elif r2_train > 0.7:
    print("Хорошо! Модель объясняет >70% изменений")
elif r2_train > 0.5:
    print("Средне. Модель объясняет >50% изменений")
else:
    print("Плохо. Модель плохо объясняет данные")

# Визуальное сравнение
print(f"Модель объясняет {r2_train*100:.1f}% изменений в данных")
print(f"Остальные {(1-r2_train)*100:.1f}% - это 'шум' или другие факторы")

.score() - это как оценка в школе:

📝 Контрольная работа (X, y)
🧮 Ваши ответы (predictions)
👨‍🏫 Учитель сравнивает с правильными ответами
📊 Ставит оценку (R²):

1.0 (100%) = все правильно! 🎉
0.8 (80%) = хорошо! ✓
0.5 (50%) = на троечку ⚠️
0.0 (0%) = плохо ❌

Печать