Error-Cuadrático-Medio

Reglas-Aprendizaje
juan

Nota: (ECM & MSE de un estimador mide el promedio de los errores al cuadrado, la diferencia entre el estimador y lo que se estima. El ECM & MSE es una función de riesgo, correspondiente al valor esperado de la pérdida del error al cuadrado o pérdida cuadrática).

 

Error-Cuadrático-Medio & Error-Raízr-Cuadrático-Medio

-. En un modelo de regresión, Estimamos o Predecimos el valor numérico de una cantidad desconocida, de acuerdo con unas características determinadas. La diferencia entre la predicción y el valor real es el error, este es una variable aleatoria, que puede depender de las características determinadas .

  • El cálculo de MSE o RMSE consiste en comparar los valores reales con los predichos por el modelo. Esta comparación se hace a través de la Distancia-Euclidea de ambos valores.

Nota: Distancia-Euclidea en el entorno de las matemáticas, es la distancia más corta entre dos puntos en cualquier dimensión se denomina distancia euclidiana. Es la raíz cuadrada de la suma de cuadrados de la diferencia entre dos puntos. En el tema que nos ocupa las librerías de Python;Numpy, Scipy están equipadas con funciones para realizar operaciones matemáticas y calcular este segmento de línea entre dos puntos.

  • MSE o RMSE de un estimador mide el promedio de los errores al cuadrado, es decir, la diferencia entre el estimador y lo que se estima. El MSE o RMSE es una función de riesgo, correspondiente al valor esperado de la pérdida del error al cuadrado o pérdida cuadrática. La diferencia se produce debido a la aleatoriedad o porque el estimador no tiene en cuenta la información que podría producir una estimación más precisa.

Usar la librería de python scikit-learn.

# El modulo sklearn.metrics implementa la función mean_squared_error

  • from sklearn.metrics import mean_squared_error

# y_true: los valores correctos

  • y_true = [3.5, -0.5, 2, 8]

# y_pred: nuestra predicción

  • y_pred = [3, 0.0, 2, 9]
  • mse = mean_squared_error(y_true, y_pred)
  • mse

# y nos daría el resultado

 

-. El Error-Cuadrático-Medio es el criterio de evaluación más usado para problemas de aprendizaje supervisado de regresión.

 

Recopilando:

El Error-Cuadrático-Medio mide la cantidad de error que hay entre dos conjuntos de datos. Compara un valor predicho y un valor observado o conocido.