Quali metriche vengono utilizzate per la regressione?

Per valutare la qualità dei modelli di regressione, di solito si utilizzano le seguenti metriche:

• MSE (Errore Quadratico Medio) — mostra la media delle differenze al quadrato tra i valori previsti e quelli reali. È sensibile a errori grandi.

• RMSE (Radice dell'Errore Quadratico Medio) — radice di MSE, restituisce l'errore nelle stesse unità della variabile target.

• MAE (Errore Assoluto Medio) — misura la deviazione assoluta media delle previsioni rispetto ai valori reali.

• R² (coefficiente di determinazione) — indica la proporzione di varianza della variabile dipendente spiegata dal modello. Valore da 0 a 1, dove 1 indica una previsione perfetta.

• R² aggiustato — modifica di R² che tiene conto del numero di variabili nel modello.

Esempio di calcolo di MAE e MSE in Python usando sklearn:

from sklearn.metrics import mean_absolute_error, mean_squared_error

y_true = [3.0, -0.5, 2.0, 7.0]
y_pred = [2.5, 0.0, 2.0, 8.0]

mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
print(f"MAE: {mae}")
print(f"MSE: {mse}")