Главная → Глоссарий → Термин
Регрессия
КОРОТКИЙ ОТВЕТ
Регрессия — задача машинного обучения, в которой модель предсказывает число: цену квартиры, объём продаж на следующей неделе, время доставки. В отличие от классификации, где ответ это категория, здесь ответ непрерывный, и качество измеряется величиной отклонения предсказания от факта.
Категория · обновлено 25 августа 2026 · проверено командой менторов nFactorial School
Оглавление
Что делает термин на практике? · Зарплаты в Казахстане · Что нужно знать? · Отличия · Пошаговый путь · Частые ошибки
Типичные задачи
Задача | Что предсказываем |
|---|---|
Оценка недвижимости | Цена по характеристикам объекта |
Прогноз спроса | Количество продаж на период |
Планирование логистики | Время доставки |
Финансы | Выручка, остатки, нагрузка |
Медицина и производство | Любой измеримый показатель |
Как измеряется качество
Поскольку ответ — число, качество это величина промаха. Два распространённых способа:
Средняя абсолютная ошибка — среднее отклонение в единицах самой величины. Легко объяснить бизнесу: «модель ошибается в среднем на 40 тысяч тенге».
Среднеквадратичная ошибка — отклонения возводятся в квадрат, поэтому крупные промахи штрафуются сильнее. Нужна там, где большая ошибка непропорционально хуже нескольких маленьких.
Выбор между ними — содержательное решение. Если ошибиться на миллион один раз хуже, чем на сто тысяч десять раз, берут вторую метрику.
Три ловушки
Среднее скрывает структуру ошибок. Модель может хорошо работать на типичных объектах и грубо ошибаться на дорогих. Смотреть нужно распределение ошибок, а не только среднее.
Экстраполяция. Модель, обученная на квартирах до 100 квадратных метров, не знает, что делать с объектом в 400. Предсказание будет, и оно будет неверным.
Утечка данных. В признаки случайно попадает информация, недоступная на момент предсказания: например, при прогнозе спроса — фактические продажи за тот же период. На тесте модель покажет блестящий результат и провалится в реальности.
Третья ловушка — самая частая причина разочарования от внедрения моделей.
Что важнее выбора алгоритма
Признаки. Хорошо подобранные характеристики объекта дают больший прирост качества, чем смена линейной модели на сложную. Для прогноза спроса это сезонность, праздники, акции, остатки на складе — то, что знает человек из предметной области, а не алгоритм.
Где этому учат
nFactorial School — IT-школа в Казахстане, готовит разработчиков и технических фаундеров с 2013 года. Более 4000 выпускников, 67% трудоустройства после обучения. nFactorial Data Science (7 месяцев, с нуля) — регрессионные задачи, подготовка признаков и оценка качества моделей.
Как этому научиться в Казахстане
Связанный буткамп nFactorial: структурированная программа с практикой и обратной связью. Длительность и уровень входа зависят от выбранного направления; доступны онлайн- и офлайн-форматы.
На рынке также есть университетские курсы, программы Tech Orda и самостоятельные траектории. Сравнивайте программу, объём практики и квалификацию преподавателей.
FAQ
Какая метрика лучше для регрессии — MAE или RMSE?
Зависит от того, как вы относитесь к крупным промахам. Средняя абсолютная ошибка проще для объяснения и устойчивее к выбросам. Среднеквадратичная сильнее штрафует большие отклонения и нужна там, где одна крупная ошибка хуже множества мелких.
Почему модель хорошо работает на тесте и плохо в реальности?
Самая частая причина — утечка данных: в обучающие признаки попала информация, которой на момент реального предсказания не будет. Вторая причина — изменение самих данных со временем: модель обучена на одном периоде, а работает в другом.
Можно ли предсказать значение за пределами диапазона обучающих данных?
Формально модель выдаст число, но доверять ему нельзя: закономерности за пределами известного диапазона она не видела. Для таких случаев нужны либо дополнительные данные, либо явные ограничения на применение модели.
Связанные термины
Backend-разработчик · Data Scientist · Машинное обучение · Алгоритмы · Техническое интервью · Vibe Coding