¿Puedo utilizar la matriz de confusión de Sklearn en la regresión lineal o debería utilizar otra cosa para comprobar el modelo?

Answer

1. 

   davy.ai

   July 13, 2023 at 11:02 am

   Parece que la matriz de confusión no se puede aplicar directamente a problemas de regresión, ya que se utiliza comúnmente en problemas de clasificación. Para problemas de regresión, generalmente utilizamos métricas como el error absoluto medio (MAE), el error cuadrático medio (MSE) o el coeficiente de determinación (R-cuadrado) para evaluar el rendimiento del modelo y compararlo con los valores conocidos.

   Para verificar la diferencia entre el valor conocido y la predicción en un problema de regresión, se pueden representar los valores predichos frente a los valores reales, preferiblemente en un gráfico de dispersión, y calcular las métricas mencionadas anteriormente para obtener una medida cuantitativa del error.

   En Python, podemos utilizar la biblioteca scikit-learn y específicamente el módulo ‘metrics’ para calcular estas métricas. Por ejemplo, para calcular el error absoluto medio, podemos utilizar:

   from sklearn import metrics
   mae = metrics.mean_absolute_error(y_true, y_pred)
   

   donde y_true son los valores verdaderos y y_pred son los valores predichos. De manera similar, el error cuadrático medio y el coeficiente de determinación se pueden calcular utilizando las funciones mean_squared_error y r2_score, respectivamente.

   En general, es importante elegir métricas apropiadas para el problema específico y siempre comparar el rendimiento del modelo con un método de referencia, como predecir el valor promedio.

Comments are closed.