Razones Matemáticas Del Uso Del MSE Dentro Del Machine Learning

Autor:

Kevin Stalin Maldonado Tixi

Instituto Superior Tecnológico De Turismo Y Patrimonio Yavirac

Carrera De Desarrollo De Software

Tendencias Actuales De Programación

17/12/2020
 INSTITUTO SUPERIOR TECNOLÓGICO
BENITO
JUAREZ

Razón Matemática Del Uso Del MSE Dentro Del Machine Learning

La razón matemática del uso en machine Learning es calcular una estadística o una

probabilidad de un problema, donde el algoritmo que surge del aprendizaje iterativo de

datos y su búsqueda de ideas ocultas se pueden implementar en aplicaciones inteligente.

Se usa sobre todo cuando usamos aprendizaje automático supervisado. (Martínez,

2020). También el Mean Squared Error o MSE en Machine Learning se usa

matemáticamente para resolver problemas o errores de regresiones logísticas.

Como Calcular el Error Cuadradito Medio (MSE)

En la figura 1 se visualiza el uso de la regresión lineal para estimar datos que se tienen, el
modelo lineal tiene un error que se define con la siguiente formula.

Figura1. Representación del error en regresión lineal.

Formula:
MSE = (real - estimado) elevado a la 2

El valor estimado el resultado que se obtiene en la línea azul, se calcula el error cuadrado para que

siempre sea positivo de esta forma se sabrá que el error es perfecto porque dará como resultado 0.

Como calcular el MSE

Para ello se suma todos los errores y se divide entre los puntos totales, por ejemplo, M es el total

de puntos y la fórmula quedaría de la siguiente manera (Figura2).

1
 JUAREZ

Figura 2. Fórmula para calcular el MSE en machine Learning.

Ejemplo de cálculo del Error Cuadrático Medio con Python

Existen dos maneras usando scikit-learn o NumPy, por ejemplo, Usando scikit-

learn: se usa mediante librerías de Python. El módulo sklearn. metrics implementa una

función mean Squared error el cual necesita dos argumentos y_true que hace referencia

a que los valores son correctos y que y_pred muestra la predicción. (Martínez, 2020).

Figura 3. Ejemplo usando librerías de scikit-learn y NumPy de Python.

La exhaustividad es usada como una métrica de rendimiento cuando se necesita saber

todas las instancias positivas, lo que sirve para evitar falsos negativos. Compensación

Precisión-Exhaustividad. Se puede construir un clasificador que logre una alta precisión

y una alta exhaustividad, pero no ambos. Predecir todas las muestras como positivas

resultará en muchos falsos positivos por lo tanto la exhaustividad será alta pero la

precisión será mala, crear un clasificador que maximice tanta precisión como

exhaustividad es un reto (Harrington,2012:144). Raíz del Error Cuadrático Medio. La

Raíz del Error Cuadrático Medio (Root Mean Square Error en inglés) puede ser definida

como se lo muestra (figura 4):

 JUAREZ

Figura 4. Fórmula para calcular la raíz del error cuadrático medio.

Forma del MSE

La forma del error cuadrático medio se define de la siguiente forma. A la izquierda, se

visualiza el MSE para una variable en 2D y a la derecha para dos variables en 3D esto

hace fácil ver los errores mayores que se calcula en el error cuadrático medio de la

función.

Figura 5. Representación gráfica del error cuadrático medio.

Conclusión

En conclusión, al calcular el MSE en Machine Learning es el más usado para evaluar

problemas de supervisión de regresiones a su vez nos ayuda a calcular las posibilidades

de usar raíces cuadradas para obtener el resultado más intuitivo y a su vez poder utilizar

fácilmente un código con las librerías en Python.

Bibliografía.

Martínez, J. (2020). Error Cuadrático Medio para Regresión. Recuperado el 10 de octubre de

2020, a partir de https://www.iartificial.net/error-cuadratico-medio-para-regresion/

Evaluando el error en los modelos de regresión, a partir de https://aprendeia.com/evaluando-el-

error-en-los-modelos-de-regresion/

Harrington, P. (2012). Machine Learning in Action. (Manning, Ed.).