fbpx
Sigmoidal
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • English
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados

Métricas de Avaliação em Modelos de Regressão em Machine Learning

Entenda a performance do seu modelo de Regressão

Rafael Duarte por Rafael Duarte
novembro 1, 2023
em Artigos
1
37
COMPARTILHAMENTOS
1.2k
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

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:

 

modelos de regressão - Erro Médio Absoluto (MAE)

 

\mathrm {MAE}= Mean Absolute Error (Erro Absoluto Médio)

y_i= Previsão

x_i= Valor Real

n= 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:

 

modelos de regressão - Erro Quadrático Médio (MSE)

\mathrm{MSE} = Mean Squared Error (Erro Quadrático Médio)

{n}= Número Total de Entradas

Y_{i}= Valores Observados

\hat{Y}_{i}= 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:

 

modelos de regressão - Erro Quadrático Médio Raiz (RMSE)

 

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:

 

modelos de regressão - Coeficiente de Determinação (R²)

 

Onde:

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

TSS 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.

Compartilhar3Compartilhar15Enviar
Post Anterior

Simplificando Machine Learning com AutoGluon

Próximo Post

Underfitting, Overfitting e o Princípio de Bias-Variance Trade-off

Rafael Duarte

Rafael Duarte

Relacionado Artigos

O Que é Amostragem e Quantização no Processamento de Imagens
Artigos

O Que é Amostragem e Quantização no Processamento de Imagens

por Carlos Melo
junho 20, 2025
7 livros essenciais para aprender Data Science em 2023
Artigos

7 livros essenciais para aprender Data Science em 2023

por Carlos Melo
dezembro 15, 2022
Como a banda Metallica usa Data Science
Artigos

Como a banda Metallica usa Data Science

por Carlos Melo
novembro 15, 2022
Use a estratégia da Apollo 13 para conseguir uma vaga no mercado
Artigos

Use a estratégia da Apollo 13 para conseguir uma vaga no mercado

por Carlos Melo
julho 22, 2022
A nossa mensagem de Feliz Natal para você!
Artigos

A nossa mensagem de Feliz Natal para você!

por Carlos Melo
dezembro 25, 2021
Próximo Post
Bias-Variance Trade-off

Underfitting, Overfitting e o Princípio de Bias-Variance Trade-off

Comentários 1

  1. Isabela Fonseca says:
    2 anos atrás

    Mano, do nada eu tropecei no seu post. Joguei seu site nos favoritos rapidão e já tô na espera de mais. Manda vê nesse conteúdo show de bola! 😉

    Responder

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Pós-Graduação em Data Science Pós-Graduação em Data Science Pós-Graduação em Data Science

Mais Populares

  • Introdução ao MediaPipe e Pose Estimation

    Introdução ao MediaPipe e Pose Estimation

    493 compartilhamentos
    Compartilhar 197 Tweet 123
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    413 compartilhamentos
    Compartilhar 165 Tweet 103
  • O Que é Amostragem e Quantização no Processamento de Imagens

    11 compartilhamentos
    Compartilhar 4 Tweet 3
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    386 compartilhamentos
    Compartilhar 154 Tweet 97
  • Fundamentos da Formação da Imagem

    172 compartilhamentos
    Compartilhar 69 Tweet 43
  • Em Alta
  • Comentários
  • Mais Recente
Como Tratar Dados Ausentes com Pandas

Como Tratar Dados Ausentes com Pandas

agosto 13, 2019
Como usar o DALL-E 2 para gerar imagens a partir de textos

Como usar o DALL-E 2 para gerar imagens a partir de textos

dezembro 25, 2022
Introdução ao MediaPipe e Pose Estimation

Introdução ao MediaPipe e Pose Estimation

julho 15, 2023

ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

abril 10, 2023
Como Analisar Ações da Bolsa com Python

Como Analisar Ações da Bolsa com Python

15
Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

13
Como Aprender Data Science?

Como Aprender Data Science?

9
Qual o Cenário de Data Science no Brasil hoje?

Qual o Cenário de Data Science no Brasil hoje?

8
Green Card aprovado por habilidades extraordinárias em Data Science

Green Card aprovado por habilidades extraordinárias em Data Science

julho 14, 2025
O Que é Amostragem e Quantização no Processamento de Imagens

O Que é Amostragem e Quantização no Processamento de Imagens

junho 20, 2025
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025
DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA

DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA?

janeiro 25, 2025

Seguir

    Instagram Youtube LinkedIn Twitter
    Sigmoidal

    O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

    Seguir no Instagram

    Categorias

    • Aeroespacial
    • Artigos
    • Blog
    • Carreira
    • Cursos
    • Data Science
    • Deep Learning
    • Destaques
    • Entrevistas
    • IA Generativa
    • Livros
    • Machine Learning
    • Notícias
    • Python
    • Teoria
    • Tutoriais
    • Visão Computacional
    • Youtube

    Navegar por Tags

    camera calibration carreira chatgpt cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gpt-3 histograma IA generativa image formation inteligência artificial jupyter kaggle keras machine learning matplotlib mnist nft openai opencv overfitting pandas profissão python redes neurais redes neurais convolucionais regressão linear regressão logística salário scikit-learn seaborn sklearn tensorflow titanic tutorial visão computacional vídeo youtube árvore de decisão

    © 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.

    Welcome Back!

    Login to your account below

    Forgotten Password?

    Retrieve your password

    Please enter your username or email address to reset your password.

    Log In

    Add New Playlist

    Sem Resultado
    Ver Todos Resultados
    • Home
    • Cursos
    • Pós-Graduação
    • Blog
    • Sobre Mim
    • Contato
    • English

    © 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.