Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema2 1826
Tema2 1826
Xiomara Blanco
► Algoritmos de regresión
► Métricas de Algoritmos de Regresión
MSE
MAE
RMSE
RMLSE
R2
► Visualización de Algoritmos de Regresión
2
Terminología / Notación
3
Regresión
4
Regresión lineal
5
Regresión lineal
6
Regresión lineal
7
Nuestra primera aplicación regresión
8
Nuestra primera aplicación regresión
9
Nuestra primera aplicación regresión
10
Nuestra primera aplicación regresión
400000 €
350000 €
Casa 5
3000000 €
Casa 4
250000 €
200000 €
Casa 2
150000 €
Casa 1
100000 €
50000 €
1 2 3 4 5
11
Nuestra primera aplicación regresión
400000 €
350000 €
Casa 5
3000000 €
Casa 4
250000 €
Casa 3
200000 €
Casa 2
150000 €
Casa 1
100000 €
50000 €
1 2 3 4 5
12
Nuestra primera aplicación regresión
400000 €
Casa 5
350000 €
Casa 4
3000000 €
Casa 3
250000 €
200000 €
150000 € Casa 2
100000 €
Casa 1
50000 €
1 2 3 4 5
13
Nuestra primera aplicación regresión
14
Ejemplo ventas:
15
Regresión: f(x) ideal
16
Regresión: f(x) ideal
► La función predictora
óptima de Y es
aquella con un
menor Error:
17
Métricas de Error
18
Mean Square Error (MSE)
► Se define como la media de la diferencia entre el valor real y el valor predicho o estimado al cuadrado
1 n
MSE = n ∑(𝐘ᵢ - Ŷᵢ)².
i=1
Y
Salidas
MSE
x
Entradas
Adaptado: https://sunjackson.github.io/2018/09/26/2cf12da6359138289cad4abcb69a7612/
En R: mean((training.data - predict(training.model))^2)
19
Mean Absolute Error (MAE)
Salidas
MAE
En R:
install.packages(metrics)
x
library(metrics) Entradas
Adaptado: https://sunjackson.github.io/2018/09/26/2cf12da6359138289cad4abcb69a7612/
mae(predict(),training.data$Y)
20
Root Mean Square Error (RMSE)
Se define como la raíz cuadrada de la media de la diferencia entre el
valor real y el valor predicho o estimado al cuadrado.
n
^
RMSE = ∑ (𝒴ᵢ - 𝒴ᵢ)²
√ ᵢ=1 n
Comparada con el error absoluto medio (MAE), amplifica y penaliza los
errores grandes. Los valores más bajos indican un mejor ajuste.
Tanto el MSE como el RMSE se ven afectados de manera similar por
valores atípicos.
El RMSE es análogo a la desviación estándar y el MSE a la varianza.
Varían de 0 a infinito.
En R:
install.packages(metrics)
library(metrics)
rmse(training.data$Y ,predict())
21
Root Mean Square Logarithmic Error (RMSLE)
Logaritmo de la raíz del error cuadrático medio.
1 N
∑ (log(𝒴ᵢ +1) - (log(𝒴^ ᵢ +1))²
RMSLE =
√ N
i=1
Y = 60 80 90 750 Y = 1000
X = 67 78 91 102 X = 600
RMSE=374,724 RMSLE=1,160 RMSE=400 RMSLE=0,510
22
R2
Coeficiente de determinación, R2 o R-dos
24
Predicho vs. Real
25
Predicho vs. Real
Error Cuadrático Medio (MSE) 1.00; Error Absoluto Medio (MAE) 1.00
8
7
y_real
x x_pred
4
y
x
x
3 x
x
x
x
x
x
2 x
0
0 2 4 6 8
Adaptado: https://pt.slideshare.net/YangZhang12/model-evaluation-120042601
26
Predicho vs. Real
8 Error Cuadrático Medio 1.20; Error Absoluto Medio 1.16
7 y_real
x x_pred
4
y
x x x
x x
3 x
x
x
2 x
0
0 2 4 6 8
x
Adaptado: https://pt.slideshare.net/YangZhang12/model-evaluation-120042601
27
Predicho vs. Real
8
Error Cuadrático Medio 0.90; Error Absoluto Medio 0.82
7 y_real
x x_pred
6
4
y
x
3 x
x x
x x
x x
2 x
0
0 2 4 6 8
x
Adaptado: https://pt.slideshare.net/YangZhang12/model-evaluation-120042601
28
Predicho vs. Real
Error Cuadrático Medio (MSE): 100.00 Error Logarítmico Cuadrático Medio (RMSLE) 0.29
3500 y_real
x x_pred
3000
2500
2000
y
1500
x
x
1000 x
x
x
x
500 x
x
x
x
0
0 2 4 6 8
x
Adaptado: https://pt.slideshare.net/YangZhang12/model-evaluation-120042601
29
Predicho vs. Real
Error Cuadrático Medio: 184.39 Error Logarítmico Cuadrático Medio 0.59
3500 y_real
x x_pred
3000
2500
2000
y
1500
x
x
1000 x
x
x x
x
500 x
x
x
0
0 2 4 6 8
x
Adaptado: https://pt.slideshare.net/YangZhang12/model-evaluation-120042601
30
Predicho vs. Real
Error Cuadrático Medio: 796.24 Error Logarítmico Cuadrático Medio 0.47
x
3500 y_real
x x_pred
3000
2500
2000
y
1500
x
1000 x
x
x
x
500 x
x
x
x
0
0 2 4 6 8
x
Adaptado: https://pt.slideshare.net/YangZhang12/model-evaluation-120042601
31
Gracias por la atención prestada
¿Preguntas?
Fuente: https://pixabay.com/photos/
32