Курс "Специалист по искусственному интеллекту". Урок 8. LinearRegression в Scikit-Learn, метрика R2

Восьмой урок курса «Специалист по искусственному интеллекту». Переходим к использованию профессиональной библиотеки Scikit-Learn. Разбираем аналитическое ядро модели LinearRegression (нормальное уравнение), итерационную альтернативу SGDRegressor, важность масштабирования признаков и оцениваем модель с помощью коэффициента детерминации R² (R-squared). В этой лекции мы подробно обсудим: – Преимущества библиотеки Scikit-Learn: открытый исходный код, развитое комьюнити и единый API (методы fit и predict) для любых моделей. – Пайплайн регрессии: разделение признаков (X) и целевой переменной (y). – Обучение модели LinearRegression в один оператор и прогнозирование цены для новой квартиры. – Почему LinearRegression не использует градиентный спуск? Разбор аналитического метода — нормального уравнения (Normal Equation). – Вычислительную сложность матричных операций и ограничения нормального уравнения на сверхбольших данных (P больше 10,000 признаков). – Итерационную альтернативу: SGDRegressor (стохастический градиентный спуск). – Почему SGDRegressor критически чувствителен к масштабу признаков и как StandardScaler ускоряет сходимость. – Обзор ключевых гиперпараметров SGDRegressor (функции потерь loss/huber, регуляризация penalty L1/L2, шаг обучения learning_rate, критерии остановки). – Почему абсолютные метрики MAE и MSE не подходят для сравнения точности моделей на разных датасетах. – Коэффициент детерминации R² (R-squared) как относительную меру качества прогнозирования. – Понятие...