Métricas de regresión: MAE, MSE y R2
Medir el error de las predicciones numéricas.
Métricas de regresión: MAE, MSE y R2 es una lección gratuita de Data Science Academy en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Data Science Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Data Science Academy incluye 4 lecciones en total.
Por qué medir el error
Cuando un modelo predice números, necesita una puntuación honesta que indique cuánto se desvía. Esa puntuación es una métrica de error, su fuente de verdad. 📏
La idea de los residuos
Comencemos con el residuo: la diferencia entre el valor real y el predicho. Cada métrica de regresión es simplemente una forma de resumir esas diferencias.
residual = y_true - y_predError absoluto medio
MAE toma el tamaño de cada error, ignora el signo y calcula su promedio. Indica el error típico en las mismas unidades que el objetivo.
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)El MAE es fácil de explicar
Como MAE se mantiene en las unidades reales, puede decir que el modelo se desvía unos 5 euros de media. A las partes interesadas les encanta esa interpretación sencilla.
Error cuadrático medio
MSE eleva al cuadrado cada error antes de calcular el promedio. Elevar al cuadrado castiga mucho más los errores grandes, por lo que unos pocos errores importantes dominan la puntuación.
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)Elevar al cuadrado cambia las unidades
Hay un inconveniente: MSE se expresa en unidades al cuadrado, por lo que los euros se convierten en euros cuadrados. El número es difícil de interpretar por sí solo.
Raíz del error cuadrático medio
Calcule la raíz cuadrada de MSE para obtener RMSE, de nuevo en unidades normales. Mantiene la fuerte penalización de los errores grandes, pero resulta fácil de interpretar.
rmse = mean_squared_error(y_true, y_pred) ** 0.5MAE frente a RMSE
Elija MAE cuando todos los errores importen por igual, y RMSE cuando los errores grandes sean especialmente costosos y quiera penalizarlos más.
La puntuación R cuadrado
R2 plantea una pregunta distinta: qué fracción de la variación del objetivo explica su modelo. Un valor más alto indica un mejor ajuste.
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)Interpretar R cuadrado
Un R2 de 1,0 es perfecto; 0,0 no es mejor que predecir la media. Incluso puede ser negativo cuando el modelo se ajusta peor que eso.
Usarlas conjuntamente
Ningún número cuenta toda la historia. Combine una métrica de error como RMSE con R2 para observar tanto el error típico como el ajuste general.
Comprobación rápida
Precisemos qué mide realmente cada métrica de regresión.
Resumen
Use MAE para el error medio sencillo, RMSE para penalizar los errores grandes y R2 para la fracción de varianza explicada. Interprételas conjuntamente. 🎯
Preguntas frecuentes
¿La lección «Métricas de regresión: MAE, MSE y R2» es gratis?
Sí — el texto completo de «Métricas de regresión: MAE, MSE y R2» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Data Science Academy, actualiza a CoddyKit PRO. El curso de Data Science Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Métricas de regresión: MAE, MSE y R2»?
Medir el error de las predicciones numéricas. Practicas Data Science Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Data Science Academy?
No se requiere experiencia previa. Data Science Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Métricas de regresión: MAE, MSE y R2»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Data Science Academy?
Sí. Cada lección de Data Science Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Métricas de regresión: MAE, MSE y R2
- Descifrar la matriz de confusión
- Precisión, exhaustividad y F1
- ROC, AUC y umbrales