Métricas para evaluar modelos de regresión

Evaluar la efectividad de un modelo de regresión es crucial para comprender su rendimiento y su capacidad para hacer predicciones precisas. A continuación, se presentan algunas de las mejores métricas para evaluar modelos de regresión:

1. Error Cuadrático Medio (MSE)

• Descripción: Mide la media de los errores al cuadrado. Penaliza los errores grandes más que los pequeños.
• Fórmula:
  
• Uso: Es útil para identificar modelos que pueden ser influenciados por outliers.

2. Raíz del Error Cuadrático Medio (RMSE)

• Descripción: La raíz cuadrada del MSE. Proporciona una medida del error en las mismas unidades que la variable dependiente.
• Fórmula:
  
• Uso: Se utiliza cuando se necesita una interpretación en las mismas unidades que la variable objetivo.

3. Error Absoluto Medio (MAE)

• Descripción: Mide la media de los errores absolutos. Da una idea clara de cuán cerca están las predicciones de los valores reales.
• Fórmula:
  
• Uso: Es robusto a outliers y proporciona una idea clara de la magnitud del error.

4. Coeficiente de Determinación (R²)

• Descripción: Mide la proporción de la varianza de la variable dependiente que es predecible a partir de las variables independientes.
• Fórmula:
  
• Uso: Un R² más alto indica un mejor ajuste del modelo. Sin embargo, puede ser engañoso en modelos complejos.

5. Error Relativo Absoluto (RAE)

• Descripción: Mide el error absoluto en relación con la magnitud de los datos reales.
• Fórmula:
  
• Uso: Proporciona una idea del rendimiento del modelo en comparación con una simple media.

6. Error Cuadrático Medio Normalizado (NMSE)

• Descripción: Es el MSE dividido por la varianza de los datos. Permite comparar modelos en diferentes escalas.
• Fórmula:
  
• Uso: Útil para comparar la efectividad de diferentes modelos en conjuntos de datos con diferentes escalas.