Cómo seleccionar la métrica de evaluación correcta para los modelos de aprendizaje automático: métricas de regresión.
by Erika Olvera
1. Error cuadrático medio (MSE)
1.1. MSE básicamente mide el error cuadrado promedio de nuestras predicciones.
2. Error cuadrático medio (RMSE)
2.1. RMSE es solo la raíz cuadrada de MSE. La raíz cuadrada se introduce para hacer que la escala de los errores sea igual a la escala de los objetivos.
3. Error absoluto medio (MAE)
3.1. En MAE, el error se calcula como un promedio de diferencias absolutas entre los valores objetivo y las predicciones.
4. R al cuadrado (R²)
4.1. En conclusión, R² es la proporción entre lo bueno que es nuestro modelo y lo bueno que es el modelo medio ingenuo.
5. Error porcentual absoluto medio (MAPE)
5.1. La preferencia de error relativo también se puede expresar con el Error porcentual absoluto medio, MAPE.
6. Error logarítmico cuadrático medio (RMSLE)
6.1. Es solo un RMSE calculado en escala logarítmica.
7. principales métricas de clasificación:
7.1. Matriz de confusión o error Precisión Recall o sensibilidad o TPR (Tasa positiva real) Precisión Especificidad o TNR (Tasa negativa real) F1-Score Área bajo la curva de funcionamiento del receptor (ROC) (AUC) Pérdida logarítmica Cohen’s Kappa
8. R cuadrado ajustado (R²)
8.1. R² ajustado siempre será menor o igual a R².
9. Error de porcentaje cuadrático medio (MSPE)
9.1. MSPE puede ser pensado como versiones ponderadas de MSE.
