MSE y MAE para regresión
Penalice la distancia respecto al objetivo
MSE y MAE para regresión es una lección gratuita de Deep Learning 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 Deep Learning Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Deep Learning Academy incluye 4 lecciones en total.
La regresión necesita su propia pérdida
Cuando su modelo predice un número, como un precio o una temperatura, necesita una pérdida de regresión que mida cuánto se aleja cada predicción del valor real. 📏
Conozca el error cuadrático medio
MSE eleva al cuadrado cada error de predicción y después calcula su media. Elevar al cuadrado mantiene positivos todos los errores y penaliza mucho más los grandes que los pequeños.
MSE en una línea
PyTorch proporciona nn.MSELoss, así que nunca tiene que escribir la fórmula manualmente. Pase las predicciones y los objetivos y obtendrá un único escalar.
import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)Por qué importa elevar al cuadrado
Como MSE eleva los errores al cuadrado, un error de 4 cuenta 16 veces más que uno de 1. Esto hace que MSE sea muy sensible a los errores grandes y a los valores atípicos.
Conozca el error absoluto medio
MAE calcula la media del tamaño absoluto de cada error en lugar de elevarlo al cuadrado. Cada error cuenta en proporción a su tamaño real.
MAE en PyTorch
Use nn.L1Loss para MAE. El nombre procede de la norma L1, que simplemente suma las diferencias absolutas antes de calcular la media.
import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)MAE no se deja afectar por los valores atípicos
Como MAE nunca eleva nada al cuadrado, un valor atípico extremo no dispara la pérdida. Por eso es una opción más estable y robusta para datos desordenados.
MSE frente a MAE: el equilibrio
Elija MSE cuando los errores grandes sean realmente peores y sus datos sean limpios. Elija MAE cuando los valores atípicos sean ruido que no quiera perseguir.
Qué significa el número
Una pérdida de regresión se expresa en las unidades de su objetivo (elevadas al cuadrado en MSE). Un valor menor es mejor, pero compárela entre modelos, no como una puntuación absoluta.
Huber: lo mejor de ambos
¿Quiere robustez y gradientes suaves? Huber loss se comporta como MSE para errores pequeños y como MAE para errores grandes, combinando ambos comportamientos.
import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)Hacer coincidir la pérdida con la forma de salida
En regresión, la capa final produce números sin procesar y sin activación. La pérdida compara directamente esos valores con los objetivos.
Comprobación rápida
Un valor atípico domina su entrenamiento. ¿Qué pérdida es más robusta frente a él?
Repaso: medir la distancia
Ahora puede interpretar el error de regresión de dos formas: MSE penaliza los grandes errores elevándolos al cuadrado, mientras que MAE se mantiene estable frente a los valores atípicos. Haga coincidir la pérdida con sus datos y estará listo. 🎯
Aprende Python con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 30
- Lecciones
- 120
Preguntas frecuentes
¿La lección «MSE y MAE para regresión» es gratis?
Sí — el texto completo de «MSE y MAE para regresión» 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 Deep Learning Academy, actualiza a CoddyKit PRO. El curso de Deep Learning Academy incluye 4 lecciones en total.
¿Qué aprenderé en «MSE y MAE para regresión»?
Penalice la distancia respecto al objetivo Practicas Deep Learning 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 Deep Learning Academy?
No se requiere experiencia previa. Deep Learning 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 «MSE y MAE para regresión»?
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 Deep Learning Academy?
Sí. Cada lección de Deep Learning 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
- MSE y MAE para regresión
- Entropía cruzada binaria con logits
- Entropía cruzada para clasificación multiclase
- Pesos de clase para datos desequilibrados