Це відео не доступне.
Перепрошуємо.
Las Mejores Métricas para Evaluar Modelos de Regresión con Scikit-Learn: R2, MSE, RMSE, MAE y otras
Вставка
- Опубліковано 14 сер 2024
- Para citar este recurso educativo utiliza la siguiente referencia:
Gutiérrez-García, J.O. [Código Máquina]. (2022, 3 de Enero). Las Mejores Métricas para Evaluar Modelos de Regresión con Scikit-Learn: R2, MSE, RMSE, MAE y otras [Video]. UA-cam. [Incluye aquí la URL del video].
********************************************
Para guiar tu aprendizaje, en este vínculo ( • Curso de Inteligencia ... ) se encuentra una guía secuencial para aprender:
1. Programación Básica con Python;
2. Manejo de Datos;
3. Visualización de Datos;
4. Análisis de Datos; y
5. Aprendizaje de Máquina y Ciencia de Datos.
********************************************
Este video explica seis (6) de las mejores métricas para evaluar modelos de regresión. Estas métricas de regresión son calculadas a partir de los residuos (es decir, la diferencia entre el valor verdadero y el predicho). Las métricas explicadas son Error absoluto máximo, Error absoluto medio (MAE), Error cuadrático medio (MSE), Suma de los cuadrados de los residuos (RSS), Raíz cuadrada del error cuadrático medio (RMSE), y el coeficiente de determinación o R2. Además, se presenta cómo calcular las métricas de regresión usando Scikit-Learn de Python.
Índice del Video:
0:00 Qué es un modelo de regresión
3:48 Error absoluto máximo
8:08 Error absoluto medio (MAE)
9:35 Error cuadrático medio (MSE)
12:00 Suma de los cuadrados de los residuos (RSS)
13:08 Raíz cuadrada del error cuadrático medio (RMSE)
15:30 Coeficiente de determinación o R2
⭐ Apoya a Código Máquina dando un Like, Comentando, Compartiendo o con un Super Gracias.
⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI:
www.amazon.com...
El código del video está disponible en GitHub github.com/Cod...
#AprendizajeAutomatizado #machinelearningpython #AprendizajeDeMaquina #DataScience #ScikitLearn #SkLearn #CienciaDeDatos
⭐ Apoya a Código Máquina dando un Like, Comentando, Compartiendo o con un Super Gracias.
⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI:
www.amazon.com.mx/stores/sinHaki/page/1BD34FBC-C0F9-44F5-AC69-520634334C61?ref_=ast_bln
ud nacio para enseñar, mi mayor admiracion para este caballero
Muchas gracias por tus palabras!!!
oye tus videos son excelentes tu explicación y un ejemplo practico es maravilloso, gracias
Muchas gracias por tus palabras!!!
Excelente clase Profesor, muy fácil de entender esos conceptos que generalmente se prestan a confusiones. Gracias 👍
Muchas gracias por interactuar y por seguir el contenido del canal :)
Excelente video
Muchas gracias por comentar!!!!
De las mejores explicaciones que he visto en youtube, sobre todo lo practico y con ejemplos sencillos
@yuniorbatista2416 muchas gracias por tus palabras :)
Buenísimo, ya estábamos esperando el vídeo desde la semana pasada 😅
Gracias ..
Muchas gracias por tu comentario. Nos tomamos un descanso de fin de año, pero ya regresamos a sacar videos semanales :) El próximo lunes publicamos un nuevo video sobre el gradiente descendiente, ojalá les agrade :)
Gracias
Que grande! Le agradezco mucho por el contenido que está subiendo, me está ayudando muchisimo
Muchas gracias por tus comentarios. Hacemos estos videos con muchísimo gusto con la esperanza de que sean de utilidad. Leer comentarios como el tuyo, le dan sentido a nuestro esfuerzo.
@@CodigoMaquina Realmente lo son. Quisiera contale que hace poco realiza una prueba para entrar a una capacitacion a una empresa de Mexico, gracias a su canal y a otras fuentes he podido realizar la prueba con existo. Ahora me encuentro dentro de otra etapa, pero un poco mas cerca de conseguir el empleo. Se lo debo a usted y a todos aquellos toman mucho tiempo para compartir sus valiosos conocimientos. Le mantendre al tanto de como me va jajaja. Fuerte abrazo y muchas gracias nuevamente.
¡Muchísima suerte!
se le agradece sus valiosos aportes señor, cada vez que tengo dudas usted me salva
Muchas gracias Gonzalo. Es un placer leer que los videos son de utilidad :)
¡Excelente!, me saco de dudas, gracias
Muchas gracias por tus palabras y por interactuar en el canal :)
Excelentes como todos los demás. Podrías incluir entre tus videos, uno que explique la mejor manera de guardar y recuperar los modelos de aprendizaje, para hacer comparaciones. te agradezco
Gracias por comentar en nuestros videos. La sugerencia de tema es muy buena. La voy anotar en la lista de videos por hacer :) Vamos a incluir más videos sobre fundamentos de machine learning, por ejemplo, uno sobre el gradiente descendiente que sale la siguiente semana, pero también vamos a incluir otros temas de corte más técnico como el tema que tan amablemente nos sugieres. Gracias por ver el canal :)
Excelente video Octavio, sos muy crack
Excelente contenido !
Muchas gracias Jonathan!
una duda en el librido de Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow hay un apartado de modelos de entrenamiento, en la recta a que se refiere con la ecuacion de la normal
excelente video!!!
Muchas gracias :)
Buen video!
buena explicación pero en las metricas cuando nos damos cuenta que está mal o que está bien en el modelo
?
Hola, es muy chévere como explica de manera tan clara las métricas. tengo la siguiente duda: ¿Cómo se calcula o ajusta el estas métricas para una predicción realizada con base a 3 variables independientes (Y_verdadero)?, es decir, por ejemplo, para la regresión múltiple o la utilización de métodos de estimación como el de Método U.S. National Weather Service. Quedo atento, espero por favor me puedas ayudar.
Muchas gracias por tus comentarios. Con respecto a tu pregunta, te comento que el cálculo de las métricas se puede generalizar para 3 o más variables relativamente fácil . El 'truco' está en identificar los verdaderos positivos, los verdaderos negativos, los falsos positivos y los falsos negativos para cada clase. Con esos valores puedes calcular las métricas más importantes. Por ejemplo, para tres clases A, B y C, se pueden identificar fácilmente cuántas instancias de A fueron clasificadas correctamente como A, es decir, los verdaderos positivos correspondientes a la clase A. Después, podrías ver cuántas instancias de B y C fueron erróneamente clasificadas como A, y esos serían los falsos positivos correspondientes a la clase A. Y así sucesivamente. Ojalá este breve explicación ayude aunque sea un poco. Gracias por comentar y por ver el canal :)
Me quedó muy claro que R2 Score solamente es apropiado para regresiones lineales, pero...¿cuál es el más apropiado para evaluar la eficacia de modelos de regresión no lineales?
@abelgomezmendez2766 muchas gracias por la pregunta. En definitiva, ese es un tema muy interesante y eventualmente me gustaría tener un video dando una respuesta detallada a la pregunta. Mientras tanto, te recomiendo echarle un ojo al Criterio de Información de Akaike, el cual "es una medida ampliamente aceptada para medir la validez de varios modelos no lineales" (Spiess & Neumeyer, 2010).
Referencia
Spiess, A. N., & Neumeyer, N. (2010). An evaluation of R2 as an inadequate measure for nonlinear models in pharmacological and biochemical research: a Monte Carlo approach. BMC pharmacology, 10(1), 1-11.
Y POR QUE ACA no se valida multicolinealidad, heterocedasticidad, normalidad de los errores?
Gracias por sacar a relucir esos temas tan importantes. Eventualmente me gustaría llegar a incluir temas más avanzados, sin embargo, primero me estoy enfocando en temas introductorios. Ojalá algún pueda llegar a esos temas, mientras tanto, el hecho de que los mencionen es lo comentarios ayuda a que otras personas estén al tanto de ellos.
una duda librito de esto, ¿es de estadística?
No entendí bien lo que quisiste decir, pero si te refieres a que si este vídeo es estadística sí, y un buen libro para seguir aclarando dudas es el Navidi, aunque considero que este maestro lo hizo de la mejor manera🎉
No me quedo claro si puedo usar el R2 para evaluar modelos no lineales 😂