Evaluando los modelos de regresión: Con un modelo de regresión, predecimos o estimamos el valor numérico de una cantidad desconocida, de acuerdo con unas características dadas. La diferencia entre la predicción y el valor real es el error, este es una variable aleatoria, que puede depender de las características dadas.

En la actualidad hay algunas formas para estimar el rendimiento y evaluar el ajuste del modelo, algunas de ellas son:

  • (MSE) – Error cuadrático medio
  • (RMSE) -Error cuadrático medio
  • (MAE) -Error absoluto medio
  • (R²) – R al cuadrado
  • R cuadrado ajustado (R²)
  • (MSPE) – Error de porcentaje cuadrático medio
  • (MAPE) – Error porcentual absoluto medio
  • (RMSLE) – Error logarítmico cuadrático medio

Evaluando los modelos de regresión: Error cuadrático medio (MSE)

Es quizás la métrica más simple y común para la evaluación de regresión, pero también es probablemente la menos útil. Se define por la ecuación.

 

Error cuadrático medio (MSE)

Error cuadrático medio (MSE)

donde yᵢ es el resultado real esperado y ŷᵢ es la predicción del modelo.

MSE básicamente mide el error cuadrado promedio de nuestras predicciones. Para cada punto, calcula la diferencia cuadrada entre las predicciones y el objetivo y luego promedia esos valores.

Cuanto mayor sea este valor, peor es el modelo. Nunca es negativo, ya que estamos cuadrando los errores de predicción individuales antes de sumarlos, pero sería cero para un modelo perfecto.

Ventaja:

Útil si tenemos valores inesperados que nos deberían interesar. Muy alto o bajo valor que debemos prestar atención.

Desventaja:

Si hacemos una predicción muy mala, la cuadratura empeorará aún más el error y puede sesgar la métrica para sobreestimar la maldad del modelo. Este es un comportamiento particularmente problemático si tenemos datos ruidosos (es decir, los datos que por cualquier motivo no son del todo confiables).

Incluso un modelo “perfecto” puede tener un MSE alto en esa situación. Por lo que es difícil juzgar qué tan bien modelo está realizando.

Por otro lado, si todos los errores son pequeños, o más bien, más pequeños que 1, se siente el efecto contrario: podemos subestimar la maldad del modelo.

Tenga en cuenta que si queremos tener una predicción constante, la mejor será el valor medio 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.

Métricas de regresión en aprendizaje automatico: Error cuadrático medio (RMSE)

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.

RMSE

RMSE

 

Ahora, es muy importante entender en qué sentido RMSE es similar a MSE y cuál es la diferencia.

Primero, son similares en términos de sus minimizadores, cada minimizador de MSE es también un minimizador para RMSE y viceversa, ya que la raíz cuadrada es una función que no disminuye. Por ejemplo, si tenemos dos conjuntos de predicciones, A y B, y decimos que el MSE de A es mayor que el MSE de B, entonces podemos estar seguros de que RMSE de A es mayor que RMSE de B. Y también funciona en la dirección opuesta .

RMSE

¿Qué significa para nosotros?

Significa que, si la métrica objetivo es RMSE, aún podemos comparar nuestros modelos utilizando MSE, ya que MSE ordenará los modelos de la misma manera que RMSE. Así podemos optimizar MSE en lugar de RMSE.

De hecho, es más fácil trabajar con MSE, por lo que todos usan MSE en lugar de RMSE. También un poco de diferencia entre los dos para los modelos basados ​​en gradientes.

Gradiente de RMSE con respecto a la i-th predicción

Gradiente de RMSE con respecto a la i-th predicción

Significa que viajar a lo largo del gradiente MSE es equivalente a viajar a lo largo del gradiente RMSE, pero con una tasa de flujo diferente y la tasa de flujo depende de la puntuación de MSE en sí.

Entonces, aunque RMSE y MSE son realmente similares en términos de puntuación de modelos, pueden no ser intercambiables de forma inmediata para los métodos basados ​​en gradientes. Probablemente tengamos que ajustar algunos parámetros como la tasa de aprendizaje.

Evaluando los modelos de regresión: Error absoluto medio (MAE)

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, lo que significa que todas las diferencias individuales se ponderan por igual en el promedio. Por ejemplo, la diferencia entre 10 y 0 será el doble de la diferencia entre 5 y 0. Sin embargo, lo mismo no es cierto para RMSE. Matemáticamente, se calcula utilizando esta fórmula:

 

Error absoluto medio (MAE)

Error absoluto medio (MAE)

Lo importante de esta métrica es que penaliza errores enormes que no tan mal como lo hace MSE. Por lo tanto, no es tan sensible a los valores atípicos como el error cuadrático medio.

El MAE se usa ampliamente en finanzas, donde el error de $ 10 suele ser exactamente dos veces peor que el error de $ 5. Por otro lado, la métrica de MSE piensa que el error de $ 10 es cuatro veces peor que el error de $ 5. MAE es más fácil de justificar que RMSE.

Otra cosa importante acerca de MAE es sus gradientes con respecto a las predicciones. El gradiend es una función de pasos y toma -1 cuando Y_hat es más pequeño que el objetivo y +1 cuando es más grande.

Ahora, el gradiente no se define cuando la predicción es perfecta, porque cuando Y_sombrero es igual a Y, no podemos evaluar el gradiente. No está definido.

 

Métricas de Regresión en Machine Learning: MAE

MAE

Entonces, formalmente, el MAE no es diferenciable, pero de hecho, con qué frecuencia sus predicciones miden perfectamente el objetivo. Incluso si lo hacen, podemos escribir una condición de IF simple y un cero de retorno cuando sea el caso y, de lo contrario, a través del gradiente. También sepa que la segunda derivada es cero en todas partes y no está definida en el punto cero.

Tenga en cuenta que 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.

Evaluando los modelos de regresión: R al cuadrado (R²)

Ahora, ¿qué pasa si le dije que MSE para mis predicciones de modelos es 32? ¿Debo mejorar mi modelo o es lo suficientemente bueno? ¿O si mi MSE era 0,4?.

En realidad, es difícil darse cuenta si nuestro modelo es bueno o no al observar los valores absolutos de MSE o RMSE. Probablemente querremos medir cómo Mucho nuestro modelo es mejor que la línea de base constante.

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, pero tiene la ventaja de estar libre de escala  , no importa si Los valores de salida son muy grandes o muy pequeños, el R² siempre estará entre -∞ y 1.

Cuando R² es negativo, significa que el modelo es peor que predecir la media.

 

Métricas de Regresión en Machine Learning: R2

Métricas de Regresión en aprendizaje automatico: R al cuadrado (R²)

La MSE del modelo se calcula como anteriormente, mientras que la MSE de la línea de base se define como:

 

Métricas de Regresión en Machine Learning: MSE

Métricas de Regresión en aprendizaje automatico: MSE linea base

donde la y con una barra es la media de la y  observada .

Para dejarlo más claro, se puede considerar a esta MSE de referencia como la MSE que obtendría el modelo más simple posible .

El modelo más simple posible sería predecir siempre el promedio de todas las muestras. Un valor cercano a 1 indica un modelo con error cercano a cero, y un valor cercano a cero indica un modelo muy cercano a la línea de base.

En conclusión, R² es la proporción entre lo bueno que es nuestro modelo y lo bueno que es el modelo “medio ingenuo”.

Error común: muchos artículos en la web indican que el rango de R² se encuentra entre 0 y 1, lo que no es realmente cierto. El valor máximo de R² es 1, pero el mínimo puede ser menos infinito.

Por ejemplo, considere un modelo realmente malo que predice un valor altamente negativo para todas las observaciones a pesar de que y_actual es positivo.

En este caso, R² será menor que 0. Este es un escenario altamente improbable pero la posibilidad aún existe.

Evaluando los modelos de regresión: MAE vs MSE

Declaré que el MAE es más robusto (menos sensible a los valores atípicos) que el MSE, pero esto no significa que siempre sea mejor usar el MAE.

Limitaciones importante de RMSE y MAE

Cada una de estas medidas es meramente un promedio o la raíz cuadrada de ese promedio de las realizaciones de los errores de prueba. El error es una variable aleatoria numérica y no se puede captar todo el comportamiento de una variable aleatoria con una sola agregación de observaciones. El error es solo una variable aleatoria, a menudo es una variable aleatoria muy sesgada. Cuando predecimos resultados sesgados, como precios, ingresos, ventas de artículos y muchos más, lo más probable es que el error también sea sesgado, lo que significa que en la mayoría de los casos el error es muy pequeño, pero hay relativamente pocos ejemplos que pueden tener errores extremadamente grandes. Cuando el error es muy sesgado, el promedio a menudo no dice nada.

 

Métricas de Regresión en Machine Learning: MAE vs MSE

MAE vs MSE

 el presente articulo  ha sido tomado de varias fuentes y adaptado por: el Dr. Juan Ignacio Barrios