Ын Анналин, Су Кеннет

Корень из среднеквадратичной логарифмической ошиб-
ки (Root Mean Squared Logarithmic Error, RMSLE). 
В разделе 1.4 мы описали метрику корень из среднеквадра-
тичной ошибки (RMSE), которая увеличивает штрафы за 
большие ошибки. Но помимо величины ошибки можно 
также принять во внимание и ее направление, используя 
метрику корень из среднеквадратичной логарифмической 
ошибки (RMSLE). RMSLE используется в случаях, когда 
мы хотим избежать недооценки больше, чем переоценки, 
например, при предсказании спроса на зонты в дождли-
вый день. Недооценка приведет к недовольству покупа-
телей и упущенной выгоде, в то время как переоценка 
означала бы только лишние запасы.

---

Глоссарий
A/B-тестирование. Стратегия сравнения отдачи двух 
продуктов, A и B. Процесс начинается с этапа эксплора-
ции (исследования), при котором оба продукта тестиру-
ются в равной степени. После этого определяется лучший 
продукт, и на этапе эксплуатации (применения) на него 
направляются все ресурсы для максимизации отдачи. 
Ключевым решением, определяющим поведение A/B-
тестирования, является соотношение эксплорации (для 
нахождения лучшей альтернативы) и эксплуатации (для 
увеличения возможной отдачи).
PageRank. Алгоритм, который определяет доминиру-
ющие узлы в сети. Он ранжирует узлы, основываясь на 
количестве связей, а также на их силе и источнике.
Ансамблирование. Метод, комбинирующий различ-
ные модели для повышения точности прогнозирования. 
Такой способ дает хорошие результаты в силу того, что 
точные прогнозы склонны подтверждать друг друга, чего 
не делают ошибочные.
Ассоциативные правила. Метод обучения без учителя, 
обнаруживающий ассоциации среди элементов данных, 

---

Глоссарий
189
например товары, которые часто покупают вместе. Есть 
три типичные ассоциативные метрики:

поддержка 
{X}
показывает, как часто появляется X;

достоверность 
{X->Y}
показывает, как часто Y появ-
ляется в присутствии X;

лифт 
{X->Y}
показывает то, как часто X и Y появляют-
ся вместе, в сравнении с тем, как часто они появляются 
по отдельности.
Бэггинг. Метод, при котором во избежание переобучения 
создаются тысячи взаимно независимых деревьев реше-
ний, от предсказаний которых берутся средние значения. 
Каждое дерево строится на основе случайного поднабора 
данных для обучения с использованием столь же случай-
ного поднабора предикторных переменных, выбираемых 
при каждом ветвлении дерева.
Валидация. Оценка того, насколько точно модель строит 
прогноз для новых данных. Это подразумевает разде-
ление имеющегося набора данных на две части. Первая