Métricas de Avaliação em Modelos de Regressão em Machine Learning

A avaliação de modelos de regressão em Machine Learning é uma etapa crucial para determinar o quão bem o modelo está se ajustando aos dados e o quão bem ele pode fazer previsões em novos dados.

Existem várias métricas de avaliação disponíveis para medir o desempenho de modelos de regressão. Aqui, você vai conhecer algumas das métricas mais comuns, incluindo o Erro Médio Absoluto (MAE), o Erro Quadrático Médio (MSE), o Erro Quadrático Médio Raiz (RMSE) e o Coeficiente de Determinação (R²).

Vamos explicar cada uma dessas métricas e como calculá-las.

Erro Médio Absoluto (MAE)

O Erro Médio Absoluto, ou MAE, é uma métrica simples que mede a média das diferenças absolutas entre as previsões do modelo e os valores reais. A fórmula para calcular o MAE é:

= Mean Absolute Error (Erro Absoluto Médio)

= Previsão

= Valor Real

= Número Total de Entradas

O MAE é fácil de entender, pois representa a média dos erros do modelo em unidades da variável de destino. 

Erro Quadrático Médio (MSE)

O Erro Quadrático Médio, ou MSE, é outra métrica comum que mede a média dos quadrados das diferenças entre as previsões do modelo e os valores reais. A fórmula para calcular o MSE é:

= Mean Squared Error (Erro Quadrático Médio)

= Número Total de Entradas

= Valores Observados

= Previsões

Com essa métrica, é preciso ter atenção, pois o MSE atribui maior peso a erros maiores, tornando-o sensível a outliers.

Erro Quadrático Médio Raiz (RMSE)

O RMSE é uma variação do MSE que retorna a raiz quadrada do valor médio dos quadrados das diferenças entre as previsões do modelo e os valores reais. A fórmula para calcular o RMSE é:

O RMSE tem a vantagem de retornar uma métrica na mesma unidade da variável de destino, tornando-a mais interpretável do que o MSE.

Coeficiente de Determinação (R²)

O Coeficiente de Determinação, ou R², é uma métrica que quantifica a proporção da variância na variável de destino que é explicada pelo modelo. Ele varia de 0 a 1 e é calculado pela fórmula:

Onde:

 é a soma dos quadrados das diferenças entre as previsões do modelo e a média dos valores reais.

 é a soma dos quadrados das diferenças entre os valores reais e a média dos valores reais.

Um valor de R² próximo a 1 indica que o modelo explica uma grande parte da variabilidade nos dados, enquanto um valor próximo a 0 indica que o modelo não está explicando muito.

Ou seja, quanto mais próximo de 1, melhor é a performance do modelo.

Escolhendo a Métrica Certa

A escolha da métrica depende do problema específico e dos requisitos do projeto.

O MAE é uma escolha sólida quando os erros absolutos são mais facilmente interpretáveis, enquanto o MSE e o RMSE podem ser mais apropriados quando se deseja penalizar erros maiores.

Já o R² é útil para entender a variância explicada pelo modelo.

As métricas de avaliação em modelos de regressão desempenham um papel fundamental na medição do desempenho do modelo e na escolha do modelo final. É importante entender as nuances de cada métrica e escolher aquela que melhor atende aos objetivos do seu projeto.