Update help files

inst/help/mlRegressionBoosting.md

@@ -68,6 +68,7 @@ Generates a new column in your dataset with the values of your regression result
 
 #### Evaluation Metrics
 - MSE: The mean squared error of the model.
+- MSE(scaled): The mean squared error calculated using the scaled target variable and the scaled predictions.
 - RMSE: The root mean squared error of the model.
 - MAE / MAD: The mean absolute error of the model.
 - MAPE: The mean absolute percentage error of the model.

inst/help/mlRegressionKnn.md

@@ -66,6 +66,7 @@ Generates a new column in your dataset with the values of your regression result
 
 #### Evaluation Metrics
 - MSE: The mean squared error of the model.
+- MSE(scaled): The mean squared error calculated using the scaled target variable and the scaled predictions.
 - RMSE: The root mean squared error of the model.
 - MAE / MAD: The mean absolute error of the model.
 - MAPE: The mean absolute percentage error of the model.

inst/help/mlRegressionKnn_nl.md

@@ -14,12 +14,12 @@ K-naaste buren is een regressiemethode die lijkt op het *k* aantal voorspellende
 - Voorspellers: In dit veld vult u de variabelen in die informatie geven over de target. 
 
 #### Tabellen  
-- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadraatsom fout (MSE), wortel gemiddelde kwadraatsom fout (RMSE) en R<sup>2</sup>.
+- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadratenfout (MSE), wortel van de gemiddelde kwadratenfout (RMSE) en R<sup>2</sup>.
 
 #### Grafieken
 - Datasplit: Laat zien hoe de data is gesplitst in trainings- (en validatie-) en testset.
 - Gewichtsfunctie: laat zien hoe de gewichten worden toegekend als functie van de afstand.
-- Gemiddelde kwadraatsom fout: Plot het aantal naaste buren tegen de MSE van het model. Precisie is bepaald voor de trainingsset (en validatieset).
+- Gemiddelde kwadratenfout: Plot het aantal naaste buren tegen de MSE van het model. Precisie is bepaald voor de trainingsset (en validatieset).
 - Voorspellingsvermogen: Laat de observaties van de geselecteerde testset tegen de voorspelde waarden zien.
 
 ### Datasplit Voorkeuren
@@ -62,7 +62,8 @@ Genereert een nieuwe kolom in uw dataset met de klasselabels van uw classificati
 - Testset MSE: De MSE van de testset.
 
 #### Evaluatiemetrieken
-- MSE: De gemiddelde kwadraatsom fout van het model.
+- MSE: De gemiddelde kwadratenfout van het model.
+- MSE(geschaald): De gemiddelde kwadratenfout berekend met de geschaalde doelvariabele en de geschaalde voorspellingen.
 - RMSE: De wortel van de kwadratische gemiddelde fout van het model.
 - MAE / MAD: De gemiddelde absolute fout van het model.
 - MAPE: De gemiddelde absolute percentagefout van het model.

inst/help/mlRegressionLinear.md

@@ -44,6 +44,7 @@ Generates a new column in your dataset with the values of your regression result
 
 #### Evaluation Metrics
 - MSE: The mean squared error of the model.
+- MSE(scaled): The mean squared error calculated using the scaled target variable and the scaled predictions.
 - RMSE: The root mean squared error of the model.
 - MAE / MAD: The mean absolute error of the model.
 - MAPE: The mean absolute percentage error of the model.

inst/help/mlRegressionLinear_nl.md

@@ -12,7 +12,7 @@ Lineare Regressie
 - Voorspellers: In dit veld vult u de variabelen in die informatie geven over de target. 
 
 #### Tabellen  
-- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadraatsom fout (MSE), wortel gemiddelde kwadraatsom fout (RMSE) en R<sup>2</sup>.
+- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadratenfout (MSE), wortel van de gemiddelde kwadratenfout (RMSE) en R<sup>2</sup>.
 
 #### Grafieken
 - Datasplit: Laat zien hoe de data is gesplitst in trainings- (en validatie-) en testset.
@@ -41,7 +41,8 @@ Genereert een nieuwe kolom in uw dataset met de klasselabels van uw classificati
 - Testset MSE: De MSE van de testset.
 
 #### Evaluatiemetrieken
-- MSE: De gemiddelde kwadraatsom fout van het model.
+- MSE: De gemiddelde kwadratenfout van het model.
+- MSE(geschaald): De gemiddelde kwadratenfout berekend met de geschaalde doelvariabele en de geschaalde voorspellingen.
 - RMSE: De wortel van de kwadratische gemiddelde fout van het model.
 - MAE / MAD: De gemiddelde absolute fout van het model.
 - MAPE: De gemiddelde absolute percentagefout van het model.

inst/help/mlRegressionNeuralNetwork.md

@@ -79,6 +79,7 @@ Generates a new column in your dataset with the values of your regression result
 
 #### Evaluation Metrics
 - MSE: The mean squared error of the model.
+- MSE(scaled): The mean squared error calculated using the scaled target variable and the scaled predictions.
 - RMSE: The root mean squared error of the model.
 - MAE / MAD: The mean absolute error of the model.
 - MAPE: The mean absolute percentage error of the model.

inst/help/mlRegressionRandomForest.md

@@ -65,6 +65,7 @@ Generates a new column in your dataset with the values of your regression result
 
 #### Evaluation Metrics
 - MSE: The mean squared error of the model.
+- MSE(scaled): The mean squared error calculated using the scaled target variable and the scaled predictions.
 - RMSE: The root mean squared error of the model.
 - MAE / MAD: The mean absolute error of the model.
 - MAPE: The mean absolute percentage error of the model.

inst/help/mlRegressionRandomForest_nl.md

@@ -14,7 +14,7 @@ Random Forest is een regressiemethode die een set beslisbomen maakt, bestaande u
 - Voorspellers: In dit veld vult u de variabelen in die informatie geven over de target. 
 
 #### Tabellen  
-- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadraatsom fout (MSE), wortel gemiddelde kwadraatsom fout (RMSE) en R<sup>2</sup>.
+- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadratenfout (MSE), wortel van de gemiddelde kwadratenfout (RMSE) en R<sup>2</sup>.
 - Variabele van belang: Toont de gemiddelde daling van de Precisie en de totale stijging van de node purity voor alle voorspellervariabelen. Dit zijn indicatoren voor het belang van de voorspellers.
 
 #### Plots
@@ -62,7 +62,8 @@ Genereert een nieuwe kolom in uw dataset met de klasselabels van uw classificati
 - OOB fout: De out-of-bag MSE van de testset.
 
 #### Evaluatiemetrieken
-- MSE: De gemiddelde kwadraatsom fout van het model.
+- MSE: De gemiddelde kwadratenfout van het model.
+- MSE(geschaald): De gemiddelde kwadratenfout berekend met de geschaalde doelvariabele en de geschaalde voorspellingen.
 - RMSE: De wortel van de kwadratische gemiddelde fout van het model.
 - MAE / MAD: De gemiddelde absolute fout van het model.
 - MAPE: De gemiddelde absolute percentagefout van het model.

inst/help/mlRegressionRegularized.md

@@ -63,6 +63,7 @@ Generates a new column in your dataset with the values of your regression result
 
 #### Evaluation Metrics
 - MSE: The mean squared error of the model.
+- MSE(scaled): The mean squared error calculated using the scaled target variable and the scaled predictions.
 - RMSE: The root mean squared error of the model.
 - MAE / MAD: The mean absolute error of the model.
 - MAPE: The mean absolute percentage error of the model.

inst/help/mlRegressionRegularized_nl.md

@@ -15,7 +15,7 @@ Geregulariseerde lineaire regressie is een aanpassing van de lineaire regressie
 - Gewichten: In dit veld vult u een optionele variabele in die gewichten voor casussen bevatten.
 
 #### Tabellen  
-- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadraatsom fout (MSE), wortel gemiddelde kwadraatsom fout (RMSE) en R<sup>2</sup>.
+- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadratenfout (MSE), wortel van de gemiddelde kwadratenfout (RMSE) en R<sup>2</sup>.
 - Regressiecoëfficiënten: Geeft de regressiecoëfficiënt voor elke voorspeller.
 
 #### Grafieken
@@ -57,7 +57,8 @@ Genereert een nieuwe kolom in uw dataset met de klasselabels van uw classificati
 - Testset MSE: De MSE van de testset.
 
 #### Evaluatiemetrieken
-- MSE: De gemiddelde kwadraatsom fout van het model.
+- MSE: De gemiddelde kwadratenfout van het model.
+- MSE(geschaald): De gemiddelde kwadratenfout berekend met de geschaalde doelvariabele en de geschaalde voorspellingen.
 - RMSE: De wortel van de kwadratische gemiddelde fout van het model.
 - MAE / MAD: De gemiddelde absolute fout van het model.
 - MAPE: De gemiddelde absolute percentagefout van het model.

inst/help/mlregressiondecisiontree.md

@@ -55,6 +55,7 @@ Generates a new column in your dataset with the values of your regression result
 
 #### Evaluation Metrics
 - MSE: The mean squared error of the model.
+- MSE(scaled): The mean squared error calculated using the scaled target variable and the scaled predictions.
 - RMSE: The root mean squared error of the model.
 - MAE / MAD: The mean absolute error of the model.
 - MAPE: The mean absolute percentage error of the model.

inst/help/mlregressiondecisiontree_nl.md

@@ -14,13 +14,13 @@ Decision Trees is een leeralgoritme onder toezicht dat een beslissingsboom gebru
 - Voorspellers: In dit veld vult u de variabelen in die informatie geven over de target. 
 
 #### Tabellen  
-- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadraatsom fout (MSE), wortel gemiddelde kwadraatsom fout (RMSE) en R<sup>2</sup>.
+- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadratenfout (MSE), wortel van de gemiddelde kwadratenfout (RMSE) en R<sup>2</sup>.
 - Splitsing in boomstructuur: toont de splitsvariabelen, hun splitspunt en het aantal waarnemingen (die niet ontbreken en een positief gewicht hebben) die door de splitsing naar links of rechts zijn verzonden. Het toont ook de verbetering in deviantie die door deze splitsing wordt gegeven.
 - Variabele belang: toont het relatieve belang van de voorspellers.
 
 #### Grafieken
 - Datasplit: Laat zien hoe de data is gesplitst in trainings- (en validatie-) en testset.
-- Gemiddelde kwadraatsom fout: Plot het aantal naaste buren tegen de MSE van het model. Precisie is bepaald voor de trainingsset (en validatieset).
+- Gemiddelde kwadratenfout: Plot het aantal naaste buren tegen de MSE van het model. Precisie is bepaald voor de trainingsset (en validatieset).
 - Beslisboom: Creëert een plot die de beslisboom en zijn bladeren visualiseert.
 - Voorspellingsvermogen: Laat de observaties van de geselecteerde testset tegen de voorspelde waarden zien.
 
@@ -52,7 +52,8 @@ Genereert een nieuwe kolom in uw dataset met de klasselabels van uw classificati
 - Testset MSE: De MSE van de testset.
 
 #### Evaluatiemetrieken
-- MSE: De gemiddelde kwadraatsom fout van het model.
+- MSE: De gemiddelde kwadratenfout van het model.
+- MSE(geschaald): De gemiddelde kwadratenfout berekend met de geschaalde doelvariabele en de geschaalde voorspellingen.
 - RMSE: De wortel van de kwadratische gemiddelde fout van het model.
 - MAE / MAD: De gemiddelde absolute fout van het model.
 - MAPE: De gemiddelde absolute percentagefout van het model.

inst/help/mlregressionsvm.md

@@ -54,6 +54,7 @@ Generates a new column in your dataset with the values of your regression result
 
 #### Evaluation Metrics
 - MSE: The mean squared error of the model.
+- MSE(scaled): The mean squared error calculated using the scaled target variable and the scaled predictions.
 - RMSE: The root mean squared error of the model.
 - MAE / MAD: The mean absolute error of the model.
 - MAPE: The mean absolute percentage error of the model.

inst/help/mlregressionsvm_nl.md

@@ -14,13 +14,13 @@ Support Vector Machines is een leeralgoritme onder toezicht dat trainingsvoorbee
 - Voorspellers: In dit veld vult u de variabelen in die informatie geven over de target. 
 
 #### Tabellen  
-- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadraatsom fout (MSE), wortel gemiddelde kwadraatsom fout (RMSE) en R<sup>2</sup>.
+- Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadratenfout (MSE), wortel van de gemiddelde kwadratenfout (RMSE) en R<sup>2</sup>.
 - Splitsing in boomstructuur: toont de splitsvariabelen, hun splitspunt en het aantal waarnemingen (die niet ontbreken en een positief gewicht hebben) die door de splitsing naar links of rechts zijn verzonden. Het toont ook de verbetering in deviantie die door deze splitsing wordt gegeven.
 - Ondersteuningsvectoren: toont een tabel met de gegevens (punten) die door het algoritme als ondersteuningsvectoren zijn aangegeven.
 
 #### Grafieken
 - Datasplit: Laat zien hoe de data is gesplitst in trainings- (en validatie-) en testset.
-- Gemiddelde kwadraatsom fout: Plot het aantal naaste buren tegen de MSE van het model. Precisie is bepaald voor de trainingsset (en validatieset).
+- Gemiddelde kwadratenfout: Plot het aantal naaste buren tegen de MSE van het model. Precisie is bepaald voor de trainingsset (en validatieset).
 - Voorspellingsvermogen: Laat de observaties van de geselecteerde testset tegen de voorspelde waarden zien.
 
 ### Datasplit Voorkeuren
@@ -51,7 +51,8 @@ Genereert een nieuwe kolom in uw dataset met de klasselabels van uw classificati
 - Testset MSE: De MSE van de testset.
 
 #### Evaluatiemetrieken
-- MSE: De gemiddelde kwadraatsom fout van het model.
+- MSE: De gemiddelde kwadratenfout van het model.
+- MSE(geschaald): De gemiddelde kwadratenfout berekend met de geschaalde doelvariabele en de geschaalde voorspellingen.
 - RMSE: De wortel van de kwadratische gemiddelde fout van het model.
 - MAE / MAD: De gemiddelde absolute fout van het model.
 - MAPE: De gemiddelde absolute percentagefout van het model.