Métricas de regressão: MAE, MSE e R2
Medindo o erro de previsões numéricas.
Métricas de regressão: MAE, MSE e R2 é uma aula grátis de Data Science Academy no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Data Science Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Data Science Academy inclui 4 aulas no total.
Por Que Medir o Erro
Quando um modelo prevê números, você precisa de uma pontuação honesta que mostre o quanto ele erra. Essa pontuação é uma métrica de erro, sua fonte de verdade. 📏
A Ideia dos Resíduos
Comece pelo resíduo: a diferença entre o valor real e o valor previsto. Toda métrica de regressão é apenas uma forma de resumir essas diferenças.
residual = y_true - y_predErro Médio Absoluto
MAE considera o tamanho de cada erro, ignora o sinal e calcula a média. Ele informa o erro típico nas mesmas unidades do seu alvo.
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)MAE é Fácil de Explicar
Como o MAE permanece nas unidades reais, você pode dizer que o modelo erra cerca de 5 reais em média. As partes interessadas adoram essa interpretação simples.
Erro Quadrático Médio
MSE eleva cada erro ao quadrado antes de calcular a média. Isso penaliza muito mais os erros grandes, então alguns erros expressivos dominam a pontuação.
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)Elevar ao Quadrado Muda as Unidades
Há uma desvantagem: MSE usa unidades ao quadrado, então reais se tornam reais ao quadrado. Por si só, o número é difícil de interpretar.
Raiz do Erro Quadrático Médio
Calcule a raiz quadrada do MSE para obter o RMSE, novamente nas unidades normais. Ele mantém a penalização forte para erros grandes, mas é fácil de interpretar.
rmse = mean_squared_error(y_true, y_pred) ** 0.5MAE versus RMSE
Escolha MAE quando todos os erros tiverem a mesma importância e RMSE quando erros grandes forem especialmente custosos e você quiser penalizá-los mais.
A Pontuação R-Quadrado
R2 faz uma pergunta diferente: qual fração da variação do alvo seu modelo explica? Um valor maior significa um ajuste melhor.
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)Interpretando o R-Quadrado
Um R2 de 1,0 é perfeito; 0,0 não é melhor do que prever a média. Ele pode até ser negativo quando o modelo se ajusta pior do que isso.
Use-os em Conjunto
Nenhum número conta toda a história. Combine uma métrica de erro como RMSE com R2 para observar tanto o erro típico quanto o ajuste geral.
Verificação rápida
Vamos definir exatamente o que cada métrica de regressão realmente mede.
Recapitulação
Use MAE para o erro médio simples, RMSE para penalizar grandes desvios e R2 para a fração da variância explicada. Analise-as em conjunto. 🎯
Perguntas Frequentes
A aula “Métricas de regressão: MAE, MSE e R2” é grátis?
Sim — o texto completo de “Métricas de regressão: MAE, MSE e R2” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Data Science Academy, atualize para CoddyKit PRO. O curso de Data Science Academy inclui 4 aulas no total.
O que vou aprender em “Métricas de regressão: MAE, MSE e R2”?
Medindo o erro de previsões numéricas. Você pratica Data Science Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Data Science Academy?
Nenhuma experiência prévia é necessária. Data Science Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.
Quanto tempo leva a aula “Métricas de regressão: MAE, MSE e R2”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Data Science Academy?
Sim. Cada aula de Data Science Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Métricas de regressão: MAE, MSE e R2
- Decodificando a matriz de confusão
- Precisão, revocação e F1
- ROC, AUC e limiares