S
Широта и долгота, мне кажется, на эллипсоид накидываются
Size: a a a
2021 September 14
RN
На что угодно, если добавить расстояние от начала координат. А на почти сфере, как Земля, его и не надо.
S
Ну вообще то надо
IP
Н
Я к тому, что не могу понять. Если хорошо предсказывается логарифм, то необязательно, что обратный перевод экспонированием и сравнение с исходными результатом даст хороший скор
A
Ну блин, у тебя явно же ошибка в расчетах, если R^2 то ли 0, то ли отрицательный. Найди ошибку, исправь и посмотри - может, все хорошо станет
Н
Почему ошибка то
A
Потому что отрицательным R^2 не бывает, и в 0 его загнать тоже очень сложно
Н
Н
Это из документации sklearn linear regression
A
Для обученной модели не будет он ни 0, ни <0
A
Тупо не заложено в градиентом спуске такого, чтобы сойтись к предиктам хуже рандома или константы.
Это потом на новых данных модель может быть "сколь угодно плохой" из-за переобучения
Это потом на новых данных модель может быть "сколь угодно плохой" из-за переобучения
Н
Я на практике, на реальных данных получал отрицательный r2
S
Корреляцию Пирсона?
S
Это может быть
S
Отношение дисперсий - нет
S
А, я понял прикол
S
Вот это вот переписывается в виде отношения дисперсий, но при условии, что TSS = RSS + ESS, но оно будет выполняться в случае если МНК заюзано в линреге, вообще говоря там должно быть еще 2 ковариации
A
где-то ошибка в коде
логарифмирование в случае линрега переводить модель из аддитивной в мултипликативную, ну типа Кобба-Дугласа. то есть отклик степенная функция от признаков, что не такой уж и редкий случай.
самый простой пример - площадь или объем чего-либо от каких-то линейных измерений.
логарифмирование в случае линрега переводить модель из аддитивной в мултипликативную, ну типа Кобба-Дугласа. то есть отклик степенная функция от признаков, что не такой уж и редкий случай.
самый простой пример - площадь или объем чего-либо от каких-то линейных измерений.
S
Видимо, при преобразовании пространства что-то нарушается