Regresión: Métricas para evaluar la precisión de modelos de redes neuronales

Introducción

La regresión es una técnica fundamental en el análisis predictivo y predicción continua. En este contexto, las redes neuronales son herramientas poderosas para predecir valores numéricos continuos basados en datos de entrada. Sin embargo, para asegurar que nuestro modelo está funcionando correctamente y dando resultados precisos, es crucial evaluar su rendimiento utilizando métricas adecuadas.

Explicación principal con ejemplos

Métricas comunes para regresión

Las métricas más utilizadas en la evaluación de modelos de regresión incluyen:

• Error Absoluto Medio (MAE): Es el promedio de las diferencias absolutas entre los valores predichos y los verdaderos.

\[ \text{MAE} = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i| \]

• Error Cuadrático Medio (MSE): Es la media de las diferencias cuadráticas entre los valores predichos y verdaderos.

\[ \text{MSE} = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2 \]

• Error Cuadrático Medio Normalizado (NMSE): Es similar al MSE, pero se normaliza con respecto a la varianza de los valores verdaderos.

\[ \text{NMSE} = \frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{n}(y_i - \bar{y})^2} \]

• Coeficiente de Determinación (R²): Mide cuánto varían los valores predichos en comparación con la media de los valores verdaderos. Un R² cercano a 1 significa un buen ajuste.

\[ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{n}(y_i - \bar{y})^2} \]

Ejemplo de cálculo

Supongamos que tenemos un modelo que predice el precio de las casas basándose en la superficie. Podemos evaluar su rendimiento utilizando las métricas mencionadas.

import numpy as np

# Valores verdaderos y predichos
y_true = np.array([200, 350, 410, 680])
y_pred = np.array([210, 360, 430, 700])

# Calcular MAE, MSE, NMSE y R²
def mean_absolute_error(y_true, y_pred):
    return np.mean(np.abs(y_true - y_pred))

def mean_squared_error(y_true, y_pred):
    return np.mean((y_true - y_pred) ** 2)

def normalized_mean_square_error(y_true, y_pred):
    return (mean_squared_error(y_true, y_pred)) / (np.var(y_true, ddof=1))

def r_squared(y_true, y_pred):
    ss_res = np.sum((y_true - y_pred) ** 2)
    ss_tot = np.sum((y_true - np.mean(y_true)) ** 2)
    return 1 - (ss_res / ss_tot)

mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
nmse = normalized_mean_square_error(y_true, y_pred)
r2 = r_squared(y_true, y_pred)

print(f"MAE: {mae:.2f}")
print(f"MSE: {mse:.2f}")
print(f"NMSE: {nmse:.2f}")
print(f"R²: {r2:.2f}")

Errores típicos / trampas

1. Omisión de datos excesivamente grandes o pequeños: Ignorar valores extremos puede dar un sesgo hacia el rendimiento del modelo, ya que estos pueden afectar significativamente las métricas.

1. No normalizar los datos antes de aplicar la regresión: Los modelos de regresión son sensibles a la escala de los datos. Si no se normalizan correctamente, ciertos atributos pueden dominar el modelo y distorsionar los resultados.

1. No considerar correlaciones entre variables independientes (multicolinealidad): Variables altamente correlacionadas pueden hacer que el modelo sea menos preciso al tratar de aportar información redundante.

Checklist accionable

• Verifica que tus datos estén correctamente normalizados.
• Evalúa la distribución del error y ajusta el modelo según sea necesario.
• Asegúrate de no tener valores extremos excesivamente influyentes en las métricas.
• Evalúa la correlación entre variables independientes para minimizar multicolinealidad.

Cierre con "Siguientes pasos"

Siguientes pasos

1. Ajustar el modelo: Utiliza técnicas como el regularización L2 o el dropout para reducir el overfitting.

1. Evaluación cruzada: Utiliza la validación cruzada para evaluar más objetivamente el rendimiento del modelo.

1. Optimizar hiperparámetros: Explora diferentes combinaciones de hiperparámetros para mejorar la precisión del modelo.

1. Visualización de los datos: Usa gráficos y análisis de datos para entender mejor las tendencias y patrones en tus datos.

1. Documentación y revisión: Documenta los resultados obtenidos, así como los ajustes realizados a lo largo del proceso de modelado.

Este artículo te proporciona una visión clara sobre cómo evaluar la precisión de modelos de regresión utilizando diversas métricas comunes y cómo evitar errores típicos al hacerlo. Asegúrate de seguir estos pasos para mejorar continuamente el rendimiento de tus modelos de aprendizaje automático.