Feature Importance, Charts

Признаки на графике "Feature Importance" показывают важность каждого признака для модели Gradient Boosting Regressor. Вот что означают эти значения:

1. Значения отображаются на оси Y.

2. Высота столбца соответствует важности признака - выше столбец, тем больше важность признака.

3. Общая сумма всех значений равна 1, так как это вероятностный распределитель.

4. Признаки с большей высотой столбца более важны для предсказания целевой переменной.

5. Признаки с низкой высотой могут быть удалены без существенного влияния на производительность модели.

6. Важные признаки обычно связаны напрямую с целевой переменной и содержат полезную информацию для прогнозирования.

7. Незначительные признаки могут быть избыточными или неинформативными.

8. Сортировка признаков по важности помогает понять, какие факторы наиболее сильно влияют на результат.

9. Это инструмент для интерпретации модели и выбора признаков для дальнейшего анализа или использования в других моделях.

10. Важно помнить, что важность признака не всегда отражает его абсолютную важность для задачи, а скорее относительное значение в контексте данной конкретной модели.

График позволяет быстро оценить, какие признаки наиболее важны для вашей модели Gradient Boosting Regressor, что может быть полезно для дальнейшего анализа или улучшения модели.

---------------------------------------------------------------------------------------------------------

"Active vs Predicted Values" показывает распределение фактических значений целевой переменной против предсказанных значений модели. Вот что на нем можно увидеть:

1. Распределение точек: На графике будут отображены точки, представляющие каждое наблюдение. Каждая точка представляет собой пару (actual value, predicted value).

2. Точечная диаграмма: Это тип диаграммы, где каждая точка представляет отдельное наблюдение.

3. Отношение фактического и предсказанного: По оси X находятся фактические значения целевой переменной, а по оси Y - предсказанные значения.

4. Распределение точек вокруг линии y=x: Идеальные предсказания были бы сосредоточены вдоль линии y=x. Отклонения от этой линии показывают степень дисперсии.

5. Вертикальное смещение: Если точки склонны отклоняться вверх или вниз, это может указывать на систематическое смещение модели.

6. Распределение точек: Распределение точек вокруг линии y=x может дать представление о том, как хорошо модель справляется с различными уровнями целевой переменной.

7. Изолированные точки: Отдаленные точки могут указывать на аномалии или неправильные предсказания.

8. Корреляция: Точечная диаграмма также показывает общую направленность распределения точек, что может дать представление о коэффициенте корреляции между фактическими и предсказанными значениями.

Этот график полезен для:

• Проверки наличия систематических ошибок
• Анализа дисперсии предсказаний
• Выявления аномалий в данных или модели
• Оценки общего уровня согласованности между фактическими и предсказанными значениями

Обычно эта диаграмма используется вместе с другими метриками, такими как RMSE или R-squared, для комплексной оценки производительности модели.

----------------------------------------------------------------------------------------------------------

График "Distribution of Residuals" показывает распределение остатков (residuals) между фактическими и предсказанными значениями. Остатки - это разница между фактическим значением и предсказанным значением модели. Вот что на этом графике можно увидеть:

1. Распределение остатков: По оси X отображаются остатки, а по оси Y - частота их появления.

2. Симметричность: Если распределение примерно симметрично относительно нуля, это может указывать на хорошую работу модели.

3. Среднее значение: Вертикальная линия в середине графика показывает среднее значение остатков (обычно около нуля для хорошо обученной модели).

4. Медиана: Вертикальная линия слева от среднего показывает медиану (обычно также близко к нулю).

5. Распределение: Форма распределения может дать представление о том, как модель справляется с различными уровнями целевой переменной.

6. Отсутствие систематических ошибок: Если распределение не склонно отклоняться в одну сторону, это может указывать на отсутствие систематических ошибок в предсказаниях.

7. Дисперсия: Широкость распределения может показать дисперсию остатков, что дает представление о точности предсказаний.

8. Аномалии: Отдаленные точки могут указывать на аномальные наблюдения или неправильные предсказания.

9. Нормальное распределение: Если распределение похоже на нормальное распределение, это может быть признаком хорошей работы модели.

10. Смещение: Если распределение смещено в одну сторону, это может указывать на необходимость корректировки модели.

Этот график особенно полезен для:

• Проверки наличия систематических ошибок
• Выявления аномальных наблюдений
• Оценки дисперсии остатков
• Проверки на соответствие распределения нормальному

Обычно этот анализ используется вместе с другими метриками, такими как RMSE или R-squared, для комплексной оценки производительности модели и выявления потенциальных проблем с ее работой.