RMSE y R cuadrada en modelos de regresión
Contenido del curso
Modelo Predictivo
Tipos de Aprendizaje
Herramientas para IA
Ciclo de Vida ML
Ética en IA
RMSE y R cuadrada en modelos de regresión
RMSE y R cuadrada en modelos de regresión
Contenido del curso
Frank Stephano Alayza Herrera
Jesus Eduardo Castillo Saavedra
Carlos Andres Prieto Garavito
MARIA TERESA PANIAGUA RIVERA
Freddy Escobar
En esta clase se abordan dos métricas clave para evaluar modelos de regresión: RMSE y R cuadrado.
RMSE (Raíz del Error Cuadrático Medio): Mide el promedio de las diferencias entre las predicciones y los valores reales, en las mismas unidades que la variable objetivo. Se calcula elevando al cuadrado las diferencias, sumándolas, dividiendo por el número de datos (MSE) y luego tomando la raíz cuadrada.
R cuadrado: Indica la proporción de la variabilidad que el modelo explica. Un valor cercano a 1 significa un buen ajuste, mientras que un valor cercano a 0 indica que el modelo no explica mejor que un azar.
Ambas métricas ofrecen una visión complementaria sobre el rendimiento del modelo. Se calcularon para diferentes modelos en un dataset, lo que permitió identificar cuál tenía mejor desempeño.
Gracias
El gráfico de residuos muestra la diferencia entre las predicciones de un modelo y los valores reales. Un RMSE bajo indica que las predicciones están cerca de los valores reales, lo que se reflejará en residuos pequeños y aleatorios dispersos alrededor de cero en el gráfico.
Los órdenes de magnitud aceptables en los residuos dependen del contexto. Por ejemplo, en un modelo que predice precios de casas, un RMSE de miles puede ser aceptable, mientras que para modelos de predicción de temperatura, un RMSE de pocos grados puede ser crucial.
Es importante siempre evaluar los residuos en relación con el rango de los valores reales.