Métricas de regresión

1. • Error cuadrático medio (RMSE)

1.1. 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.

2. • Error absoluto medio (MAE)

2.1. En MAE, el error se calcula como un promedio de diferencias absolutas entre los valores objetivo y las predicciones. El MAE es una puntuación lineal

3. • R al cuadrado (R²)

3.1. El coeficiente de determinación, o R² (a veces leído como R-dos), es otra medida que podemos usar para evaluar un modelo y está estrechamente relacionada con la MSE

4. • Error de porcentaje cuadrático medio (MSPE)

4.1. MSE trabaja con errores cuadrados absolutos, mientras que los errores relativos pueden ser más importantes para nosotros.

5. • Error logarítmico cuadrático medio (RMSLE)

5.1. Es solo un RMSE calculado en escala logarítmica

6. Los modelos de aprendizaje automático intentan resolver un problema con un objetivo diferente .

7. • Error cuadrático medio (MSE)

7.1. Es la métrica más simple y común, pero también es probablemente la menos útil

8. • R cuadrado ajustado (R²)

8.1. El R2 ajustado también indica qué tan bien se ajustan los términos a una curva o línea, pero se ajusta para el número de términos en un modelo.

9. • Error porcentual absoluto medio (MAPE)

9.1. La preferencia de error relativo también se puede expresar con el Error porcentual absoluto medio, MAPE