Evaluacion por Regresion

Map -> Definicion del problema -> Preparacion de datos -> Explorando -> Modelizacion -> Evaluar los modelos

Luego de construir varios modelos de regresion, hay un monton de criterios por los cual se los puede evaluar y comparar.

Error de la media cuadrática (RMSE)

RMSE es una formula popular para medir el error de tasa del modelo de regresion. Sin embargo solo se puede comparar entre modelos cuyos errores se midan en las mismas unidades.

Error de la cuadrática relativa (RSE)

Al contrario del RMSE, el RSE se puede comparar entre modelos cuyos errores sean medidos en diferentes unidades.

Error de la media absoluta (MAE)

Posee la misma unidad que los datos originales, y solo puede comparar entre modelos cuyos errores se midan en la misma unidad. Suele ser similar en magnitud al RMSE, pero un poquo menor.

Error del absoluto relativo (RAE)

Al igual que el RSE, el RAE puede comparar entre varios modelos cuyos errores se midan en diferentes unidades.

Coeficiente de determinacion (R2)

Sumariza el poder de explicacion del modelo de regresion y el computo de la suma de cuadrados.

R2 describe la proporcion de varianza de la variable dependiente explicada por el modelo de regresion. Si el modelo de regresion es “perfecto”, SSE es cero, y R2 es 1. Si el modelo de regresion es un desastre, SSE es igual a SST, y no se puede explicar ninguna varianza por regresion, además R2 es cero.

Grafica de errores estandarizados residuales

Es una herramienta de visualizacion muy util para mostrar los patrones de dispersion residual en una escala estandarizada. No hay diferencias substanciales entre el patron para un grafico de estandarizacion residual y el patron en un grafico residual. La unica diferencia es la escala estandarizada en el eje y que nos permite detectar outliers potenciales.

Dejá una respuesta