Modelos de regressão de pontuação

Os modelos de regressão preveem os resultados como um número, indicando a melhor estimativa do modelo da variável de destino. Diversas métricas são geradas para você avaliar os modelos de regressão.

Durante o treinamento de um experimento de regressão, os gráficos a seguir são gerados automaticamente para fornecer uma análise rápida dos modelos gerados:

• Importância da permutação Um gráfico no qual os recursos são exibidos em ordem da maior influência (maior impacto no desempenho do modelo) à menor influência (menor impacto no desempenho do modelo). Para obter mais informações, consulte Importância da permutação.

• SHAP importance Um gráfico representando o quanto cada recurso influencia o resultado previsto. Para obter mais informações, consulte Importância de SHAP no treinamento experimental.

R2

R ao quadrado (R2) é uma medida sem unidade de correlação dos recursos com o alvo. Pode ser expresso como: que porcentagem mais próxima do perfeito são as previsões do modelo em comparação com o uso do valor médio do alvo?

R2 varia de infinito negativo a 1. Quanto mais próximo de 1, mais a variação no valor de destino pode ser explicada pelas variáveis de recurso. Em outras palavras, o mais provável é que você tenha variáveis importantes do recurso que levariam a previsões precisas.

Os gráficos mostram um exemplo de altura plotada em relação à idade. A altura está mais correlacionada com a idade no primeiro gráfico, onde R2 é 0,97, do que no segundo gráfico, onde R2 é 0,56.

Observe que um valor R2 mais baixo não significa necessariamente que seja um modelo ruim. Como você interpreta o R2 depende do caso de uso e dos dados. Ao considerar a pontuação do modelo de regressão, é importante lembrar que uma relação linear nem sempre é crítica. Se a regressão linear estiver produzindo resultados insatisfatórios enquanto outros algoritmos tiverem melhor desempenho, isso pode significar simplesmente que seus dados não podem ser modelados bem o suficiente por uma relação linear.

RMSE

Raiz do erro quadrático médio (RMSE) pode ser interpretada como a diferença média +/- esperada entre um valor previsto e o valor real. É o desvio padrão dos resíduos (a diferença entre o valor observado e o valor previsto para um recurso). A RMSE é medida na mesma unidade que o valor alvo.

Como exemplo, digamos que nosso alvo seja prever o valor do contrato e obtemos RMSE = 1250. Isso significa que, em média, o valor previsto difere +/- US$ 1.250 do valor real.

MSE

Erro quadrático médio (MSE) pode ser interpretado como a diferença quadrada +/- entre o valor previsto e o valor real que esperaríamos ver em média. É medida na mesma unidade que o valor alvo ao quadrado.

No exemplo com previsão de valor de contrato, um valor MSE de 1562500 significaria que o modelo está errado em +/- 1.562.500 US$ 2. Observe que a unidade é dólares ao quadrado.

MAE

O erro absoluto médio (MAE) é a média de todos os erros absolutos de previsão, onde o erro de previsão é a diferença entre o valor real e o valor previsto. Usar o valor absoluto dos erros de previsão evita que os erros +/- se anulem. O MAE é medido na mesma unidade que o valor alvo.