Métricas de regresión en Python

El error en las unidades que te importan, y la parte de varianza explicada.

from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_absolute_percentage_error
from sklearn.metrics import r2_score, root_mean_squared_error

y_real = [10.0, 12.0, 14.5, 19.0, 22.0]
y_predicho = [10.5, 11.0, 15.0, 18.0, 24.0]

print(f"mae  {mean_absolute_error(y_real, y_predicho):.3f}")
print(f"rmse {root_mean_squared_error(y_real, y_predicho):.3f}")
print(f"mape {mean_absolute_percentage_error(y_real, y_predicho):.3%}")
print(f"r2   {r2_score(y_real, y_predicho):.3f}")

Cómo funciona

1. mean_absolute_error está en las unidades del propio objetivo.
2. root_mean_squared_error castiga más fuerte los errores grandes.
3. r2_score es 1.0 en un ajuste perfecto y 0.0 al predecir la media.

Palabras clave y builtins usados aquí

• print

El intento, en números

Líneas

11

Caracteres a escribir

502

Tokens

114

Ritmo de tres estrellas

110 tpm

Al ritmo de tres estrellas de 110 tokens por minuto, este intento toma unos 62 segundos.

Escribe este fragmento

Paso 4 de 4 en Métricas; paso 19 de 25 en Machine learning con scikit-learn.

← Anterior Siguiente →