DokümantasyonBölümler
MQL5 ReferansıMatris ve Vektör MetotlarıMakine ÖğrenimiRegressionMetric 

RegressionMetric

Öngörülen verilerin kalitesinin doğru verilere kıyasla değerlendirilmesine olanak sağlayan regresyon metriğini hesaplar.

double vector::RegressionMetric(
   const vector&           vector_true,   // doğru değerlerin vektörü
   ENUM_REGRESSION_METRIC  metric         // metrik türü
   );
 
double matrix::RegressionMetric(
   const matrix&           matrix_true,   // doğru değerlerin matrisi
   ENUM_REGRESSION_METRIC  metric         // metrik türü
);
 
vector matrix::RegressionMetric(
   const matrix&           matrix_true,   // doğru değerlerin matrisi
   ENUM_REGRESSION_METRIC  metric,        // metrik türü
   int                     axis           // eksen
   );

Parametreler

vector_true/matrix_true

[in]  Doğru değerlerin vektörü veya matrisi.

metric

[in] ENUM_REGRESSION_METRIC numaralandırmasından metrik türü.

axis

[in]  Eksen. 0 - yatay eksen, 1 - dikey eksen.

Geri dönüş değeri

Öngörülen verilerin kalitesinin doğru verilere kıyasla değerlendirilmesine olanak sağlayan metrik.

Not

  • REGRESSION_MAE - öngörülen değerler ile karşılık gelen doğru değerler arasındaki farkları temsil eden hataların mutlak değerlerinin ortalaması.
  • REGRESSION_MSE - öngörülen değerler ile karşılık gelen doğru değerler arasındaki farkları temsil eden hataların karelerinin ortalaması.
  • REGRESSION_RMSE - hataların karelerinin ortalamasının karekökü.
  • REGRESSION_R2 - 1 - MSE(regresyon) / MSE(ortalama).
  • REGRESSION_MAPE - yüzde olarak MAE.
  • REGRESSION_MSPE - yüzde olarak MSE.
  • REGRESSION_RMSLE - logaritmik ölçekte hesaplanan RMSE.

Örnek:

   vector y_true = {3, -0.5, 2, 7};
   vector y_pred = {2.5, 0.0, 2, 8};
//---
   double mse=y_pred.RegressionMetric(y_true,REGRESSION_MSE);
   Print("mse=",mse);
//---
   double mae=y_pred.RegressionMetric(y_true,REGRESSION_MAE);
   Print("mae=",mae);
//---
   double r2=y_pred.RegressionMetric(y_true,REGRESSION_R2);
   Print("r2=",r2);
 
  /* Sonuç
   mae=0.375
   mse=0.5
   r2=0.9486081370449679
   */