Usted estĆ” aquĆ:
Mediciones de regresiĆ³n
Las mediciones para regresiones ayudan a evaluar el rendimiento de un modelo que predice valores numƩricos para datos continuos.
Predicho frente a Real
La grĆ”fica de dispersiĆ³n predicha frente a real contrasta los resultados predichos del modelo con los resultados de datos actuales. La proximidad de los puntos a la lĆnea diagonal indica la precisiĆ³n del modelo, donde los puntos mĆ”s cercanos representan una mayor precisiĆ³n.
Valores residuales
La grĆ”fica de dispersiĆ³n de valores residuales muestra la variaciĆ³n entre los valores reales y predichos, conocidos como residuales, en relaciĆ³n con valores predichos. Idealmente, los puntos deberĆan aparecer de forma aleatoria. En el eje y, los valores positivos indican predicciones que fueron demasiado bajas, los valores negativos indican predicciones que fueron demasiado altas y los valores a cero indican predicciones que fueron exactamente correctas.
Resultados de validaciĆ³n cruzada 4 veces
El enfoque de validaciĆ³n cruzada 4 veces mitiga el sesgo de muestra durante el proceso de validaciĆ³n del modelo. En este mĆ©todo, los datos se dividen de forma aleatoria en cuatro particiones separadas de igual tamaƱo, y el modelo pasa cuatro pruebas (multiplicaciones). Durante cada paso, tres particiones sirven como los datos de entrenamiento, mientras que la parte restante sirve como los datos de prueba. Al completar cuatro pases de prueba, cada particiĆ³n se utiliza una vez como los datos de validaciĆ³n y tres veces como parte de los datos de entrenamiento, garantizando una evaluaciĆ³n completa. Consulte la tabla de resultados de validaciĆ³n para examinar mediciones correspondientes a cada pliegue de los datos.
| MediciĆ³n | DescripciĆ³n |
|---|---|
| NĆŗmero de registros | NĆŗmero total de observaciones. El significado de un valor varĆa por columna.
|
| R2 | R2 mide la capacidad del modelo para explicar la variaciĆ³n en el resultado, que es un indicador de cuĆ”n predictivo es el modelo. Intervalo:
|
| MAE | Error absoluto medio. Mide la diferencia absoluta entre el valor actual y la predicciĆ³n. Todas las diferencias estĆ”n ponderadas por igual en esta media, lo que significa que no es tan sensible a anomalĆas que MSE. |
| MSE | Error cuadrƔtico medio. Mide el error cuadrƔtico medio de las predicciones del modelo. MSE calcula la diferencia cuadrada entre el resultado observado (actual) y los valores predichos, y luego realiza una media de ellos. |
| RMSE | Error cuadrĆ”tico medio de raĆz. Representa la raĆz cuadrada de MSE. RMSE mide la diferencia entre los valores predichos por el modelo y los valores observados (actuales). Puede pensar en este valor como la ādesviaciĆ³n de errores estĆ”ndarā. |
