Cómo seleccionar la métrica de evaluación correcta para los modelos de aprendizaje automático: mé...

1. Métricas de Regresión Error cuadrático medio (MSE) Error cuadrático medio (RMSE) Error absoluto medio (MAE) R al cuadrado (R²) R cuadrado ajustado (R²) Error de porcentaje cuadrático medio (MSPE) Error porcentual absoluto medio (MAPE) Error logarítmico cuadrático medio (RMSLE)

2. Si queremos tener una predicción constante, la mejor será el valor de la mediana de los valores objetivo. Se puede encontrar estableciendo la derivada de nuestro error total con respecto a esa constante a cero, y descúbrela a partir de esta ecuación.

3. Generalmente, las respuestas a la siguiente pregunta nos ayudan a elegir la métrica apropiada:

4. Tipo de tarea: ¿Regresión? ¿Clasificación? Objetivo de negocio? ¿Cuál es la distribución de la variable objetivo?

5. Ahora sabemos que la próxima vez que escuche a alguien hablar sobre precisión o precisión del 99%, sabrá que debe consultarle sobre las demás métricas discutimos en esta publicación.

6. Error cuadrático medio y nos dimos cuenta de que la mejor constante es el valor objetivo medio. Root Mean Square Error y R² son muy similares a MSE desde la perspectiva de la optimización. Luego discutimos el error absoluto absoluto y cuándo las personas prefieren usar MAE en lugar de MSE.

7. Cómo seleccionar la métrica de evaluación correcta para modelos de Machine Learning: Métrica de clasificación

8. Presentemos primero las principales métricas de clasificación: 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