Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Autor:
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
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.
Para ello se suma todos los errores y se divide entre los puntos totales, por ejemplo, M es el total
1
JUAREZ
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).
todas las instancias positivas, lo que sirve para evitar falsos negativos. Compensación
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
Raíz del Error Cuadrático Medio (Root Mean Square Error en inglés) puede ser definida
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.
Conclusión
de usar raíces cuadradas para obtener el resultado más intuitivo y a su vez poder utilizar
Bibliografía.
error-en-los-modelos-de-regresion/