R² ברגרסיה: למה הוא מרשים, למה הוא מטעה — ומה Adjusted R² וחיזוי אמיתי באים לתקן

זה קורה כמעט בכל מצגת.

מישהו מראה רגרסיה,
מצביע על מספר ואומר בגאווה:

“R² = 0.91.”

והקהל?
מתרשם.
מהנהן.
לפעמים כבר משתכנע.

אבל רגע לפני שמגישים את העוגה —
כדאי להבין מה באמת מסתתר מאחורי המספר הזה.

אז מה זה R², בפשטות?

R²  מודד:

איזה חלק מהשונות ב־Y
המודל מצליח להסביר
בעזרת המשתנים שבחרנו.

אם  R² = 0.8

80%  מהשונות בנתונים
מיוחסת למודל.

זה הכול.

לא:

• אם המודל נכון
• לא אם הוא סיבתי
• ולא אם הוא ינבא טוב מחר

דוגמה מהמטבח

נניח שאנחנו מנסים להסביר:
ציון טעם של עוגה

בעזרת:

• זמן בתנור
• טמפרטורה

אם R² גבוה:

כנראה ששני המשתנים האלה
באמת מסבירים חלק גדול מההבדלים בטעם.

אבל —
זה עדיין הסבר, לא חיזוי.

למה R² כל כך מרשים?

כי הוא:

• מספר אחד
• בין 0 ל־1
• גדול = “נראה טוב”

R² גבוה נותן תחושה ש:
✔️ “תפסנו את הסיפור”
✔️ “המודל חזק”
✔️ “אפשר לסמוך עליו”

וכאן מתחילות הבעיות.

למה R² עלול להטעות?

R²  תמיד אוהב עוד משתנים

אם נוסיף עוד ועוד משתנים —
R²  כמעט תמיד יעלה.

גם אם:

• הם לא חשובים
• הם מקריים
• או שהם עובדים רק על המדגם הזה

העוגה גדלה  —
גם אם הוספנו רק קצפת.

כאן נכנס  Adjusted R²

Adjusted R² שואל שאלה חכמה יותר:

האם השיפור בהסבר
באמת מצדיק את המורכבות שהוספנו?

הוא:

• “מעניש” על משתנים מיותרים
• יכול לרדת כשמודל מסתבך סתם
• נותן תמונה יותר הוגנת

אם:

• R²  עולה
• אבלAdjusted R²  לא

זה סימן אזהרה 🚨

R²  גבוה ≠ חיזוי טוב

וזו אולי הטעות הכי נפוצה.

R²  מודד:

כמה טוב המודל מסביר
את הנתונים שכבר ראינו.

אבל חיזוי אמיתי שואל:

איך המודל יתנהג
על נתונים חדשים לגמרי?

אפשר:

• R²  גבוה
• וחיזוי גרוע

במיוחד אם:

• יש  overfitting
• המדגם קטן
• או שהעולם השתנה

שוב המטבח

מודל עם R² = 0.95 אומר:

“אני מסביר מצוין את העוגות שכבר אפינו.”

חיזוי טוב אומר:

“אני יודע מה יקרה
בעוגה הבאה.”

וזו שאלה הרבה יותר קשה.

אז מה כן עושים?

לא זורקים את  R².
פשוט לא סוגדים לו.

משתמשים בו:
✔️ יחד עם  Adjusted R² 
✔️ יחד עם בדיקת שאריות
✔️ יחד עם ולידציה / נתוני בדיקה
✔️ ועם היגיון תחומי

R²  הוא התחלה  —
לא פסק דין.

סיכום ביסי

R²  עונה על שאלה אחת בלבד:

“כמה מהשונות
הצלחתי להסביר כאן ועכשיו?”

Adjusted R²  שואל:

“האם לא הסתבכתי סתם?”

וחיזוי אמיתי שואל:

“האם זה יעבוד גם מחר?”

ובסטטיסטיקה, כמו במטבח:

עוגה שמרשימה על השיש
לא תמיד יוצאת טוב בפעם הבאה  

מכונות לומדות: ללמד מחשב כמו שמלמדים מתכון

כולם מדברים היום על מכונות לומדות,  אלגוריתמים, מודלים חכמים.

אבל בואו נתחיל מהבסיס:
Supervised Machine Learning   למידה מונחית.

או בעברית פשוטה:

מלמדים את המחשב עם פתרונות  —
ואז מבקשים ממנו לנחש לבד בפעם הבאה.

אז מה זה בעצם  Supervised Machine Learning ?

בלמידה מונחית אנחנו נותנים למחשב:

• קלטים (X)
• תשובות נכונות (Y)

ואומרים לו:

“תמצא את הקשר ביניהם.”

זה כמו ללמד ילד לבשל:

• זו עוגה טובה ✔️
• זו עוגה שרופה ❌
• זו עוגה מושלמת ⭐

אחרי מספיק דוגמאות —
הוא מתחיל להבין לבד.

דוגמה מהמטבח (כמובן)

נניח שיש לנו נתונים:

זמן בתנור	טמפרטורה	תוצאה
40	170°	טעימה
50	190°	שרופה
35	165°	לא אפויה

המחשב לא יודע מה זו עוגה.
אבל הוא כן יודע:

• מספרים
• תבניות
• חזרות

הוא לומד:

“כשזה נראה ככה — התוצאה לרוב כזו.”

שני סוגים מרכזיים של Supervised Machine Learning

רגרסיה

כש־Y  הוא מספר:

• מחיר דירה
• ציון
• זמן אספקה

“כמה זה יהיה?”

סיווג  (Classification)

כש־Y  הוא תווית:

• טוב / רע
• כן / לא
• ספאם / לא ספאם

“לאיזה סוג זה שייך?”

אותו עיקרון  —
תשובות שונות.

למה זה לא קסם?

כי המכונה:

• לא מבינה
• לא חושבת
• ולא יודעת מה הגיוני

היא רק מחקה את מה שראתה.

אם לימדתם אותה עם:

• נתונים גרועים
• דוגמאות מוטות
• או טעויות

היא תלמד מצוין  —
פשוט שטויות

אז למה זה עובד כל כך טוב?

כי בהרבה תחומים:

• העבר באמת חוזר על עצמו
• יש דפוסים
• ויש מספיק נתונים

ובדיוק כמו במטבח:

מי שמתאמן עם הרבה מתכונים מסומנים  —
מבשל טוב יותר.

סיכום ביסי

Supervised Machine Learning  זה לא מוח.
זה לא אינטואיציה.
וזה בטח לא קסם.

זה פשוט:

הרבה דוגמאות + תשובות נכונות
→ מודל שיודע לנחש טוב יותר בפעם הבאה.

או במילים אחרות:

לימדת טוב -

האלגוריתם יבשל יפה