Las Mejores Métricas para Evaluar Modelos de Regresión con Scikit-Learn: R2, MSE, RMSE, MAE y otras
Sigue así. Cada lección te acerca más a tu certificado.
Sobre esta lección
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]. YouTube. [Incluye aquí la URL del video]. 👉 Xiperia ofrece consultoría empresarial que transforma datos en conocimiento accionable para alcanzar los objetivos de tu negocio. Conoce más en https://www.xiperia.com ℹ️ Octavio Gutiérrez es el único responsable del contenido, afirmaciones y opiniones expresadas en este video, las cuales no están vinculadas a las organizaciones a las que está asociado. 🌐 Para conocer más sobre Octavio Gutiérrez, visita su perfil en LinkedIn https://www.linkedin.com/in/octaviogutierrez/ Para guiar tu aprendizaje, en este vínculo (https://youtu.be/lomJnbN5Wnk) 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: https://www.amazon.com.mx/stores/sinHaki/page/1BD34FBC-C0F9-44F5-AC69-520634334C61?ref_=ast_bln El código del video está disponible en GitHub https://github.com/CodigoMaquina/code #AprendizajeAutomatizado #machinelearningpython #AprendizajeDeMaquina #DataScience #ScikitLearn #SkLearn #CienciaDeDatos
Sobre este curso
Esta serie de videos explica los siguientes temas dentro del dominio de la ciencia de datos o data science: - Imputación o manejo de datos faltantes - Codificación de datos categóricos - Técnicas de escalamiento, normalización y estandarización. - Validación cruzada (cross-validation) - Ajuste de hiperparámetros - Técnicas para lidiar con clases desbalanceadas - Distribución de datos e histogramas - Detección de datos anómalos con diagramas de caja y la regla de Tukey - Detección de datos anómalos con iForests (bosques de aislamiento) - Regresión lineal - K-vecinos más cercanos para clasificación - K-vecinos más cercanos para regresión. - Conjuntos de clasificadores o regresores (Bagging) - Regresión logística - Impureza Gini - Bosques aleatorios para clasificación - Objetivos de los conjuntos de datos para entrenamiento, validación y prueba - La maldición de la dimensionalidad - Fuentes de datos - Detección de clusters con k-means - Detección de clusters con DBSCAN - Tipos de distancias para Clustering - Métricas de regresión. - Visualización de datos con matplotlib - Manejo y análisis de datos con pandas Las librerías que se utilizan son scikit-learn (sklearn), matplotlib, numpy y pandas.
Lo que aprenderás en este curso:
- Comprender el proceso completo de análisis de datos
- Recopilar, limpiar y transformar conjuntos de datos
- Crear visualizaciones de datos informativas y atractivas
- Aplicar estadística descriptiva e inferencial