Quais métricas são usadas para regressão?

Para avaliar a qualidade dos modelos de regressão, geralmente utilizam-se as seguintes métricas:

• MSE (Erro Quadrático Médio) — erro quadrático médio, mostra a média das diferenças ao quadrado entre os valores previstos e os valores reais. É sensível a erros grandes.

• RMSE (Raiz do Erro Quadrático Médio) — raiz do MSE, devolve o erro nas mesmas unidades que a variável alvo.

• MAE (Erro Absoluto Médio) — erro absoluto médio, mede a média do desvio absoluto das previsões em relação aos valores reais.

• R² (coeficiente de determinação) — mostra a proporção da variância da variável dependente explicada pelo modelo. Valor de 0 a 1, onde 1 é uma previsão perfeita.

• R² ajustado — modificação do R² que leva em conta o número de variáveis no modelo.

Exemplo de cálculo de MAE e MSE em 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}")