05·Metryki i scikit-learn w praktyce

Wprowadzenie

Wybór metryki to decyzja produktowa, a nie tylko techniczna — MAE traktuje wszystkie błędy liniowo, MSE/RMSE karze duże odchyłki kwadratowo, R^2 pokazuje frakcję wyjaśnionej wariancji, MAPE daje wynik w procentach ale wybucha przy y bliskich zera. W tej lekcji łączymy teorię z API scikit-learn: LinearRegression, Ridge, Lasso, SGDRegressor, klasa Pipeline (StandardScaler + estimator), train_test_split, cross_val_score, learning_curve, mean_absolute_error / mean_squared_error / r2_score / mean_absolute_percentage_error oraz analizę residuów (residual plot, Q-Q plot). Cel: po tej lekcji potrafisz zbudować, wytrenować, ocenić i zdiagnozować model regresji w 30 liniach kodu sklearn.