Métricas de error con sklearn

La librería sklearn.metrics proporciona varias métricas de error que son útiles para evaluar el rendimiento de modelos de regresión.

1. Mean Squared Error (MSE)

• Descripción: Mide el error cuadrático medio entre los valores reales y los predichos.
• Fórmula:
• Interpretación: Un valor más bajo de MSE indica un mejor ajuste.
• Ejemplo:

  from sklearn.metrics import mean_squared_error
  y_true = [3, -0.5, 2, 7]
  y_pred = [2.5, 0.0, 2, 8]
  mse = mean_squared_error(y_true, y_pred)
  print(mse)  # Salida: 0.375
  

2. Root Mean Squared Error (RMSE)

• Descripción: Es la raíz cuadrada del MSE, lo que lo hace interpretable en las mismas unidades que los valores de destino.
• Fórmula:
• Interpretación: Un RMSE más bajo indica un mejor ajuste.
• Ejemplo:

  import numpy as np
  rmse = np.sqrt(mean_squared_error(y_true, y_pred))
  print(rmse)  # Salida: 0.612372
  

3. Mean Absolute Error (MAE)

• Descripción: Mide el error absoluto medio entre los valores reales y los predichos.
• Fórmula:
• Interpretación: Un MAE más bajo indica un mejor ajuste.
• Ejemplo:

  from sklearn.metrics import mean_absolute_error
  mae = mean_absolute_error(y_true, y_pred)
  print(mae)  # Salida: 0.5
  

4. Mean Absolute Percentage Error (MAPE)

• Descripción: Mide el porcentaje promedio de error absoluto. Es útil cuando se quiere comparar errores relativos.
• Fórmula:
• Ejemplo:

  from sklearn.metrics import mean_absolute_percentage_error
  mape = mean_absolute_percentage_error(y_true, y_pred)
  print(mape)  # Salida: 0.327 (32.7%)
  

5. R² Score (Coeficiente de Determinación)

• Descripción: Indica la proporción de la variación de la variable dependiente que es explicada por el modelo.
• Fórmula:
• Interpretación: Va de -∞ a 1. Un valor cercano a 1 indica un buen ajuste.
• Ejemplo:

  from sklearn.metrics import r2_score
  r2 = r2_score(y_true, y_pred)
  print(r2)  # Salida: 0.948608
  
  

6. Max Error

• Descripción: Mide el mayor error absoluto entre los valores predichos y los valores reales.
• Ejemplo:

  from sklearn.metrics import max_error
  max_err = max_error(y_true, y_pred)
  print(max_err)  # Salida: 1.0