Tema 3.2 - Métricas de Error

Métricas de Error

Ahora necesitamos una métrica que cuantifique la calidad de las predicciones en el conjunto de pruebas, esta clase de métrica se denomina métrica de erro, como su nombre indica, una métrica de error cuantifica la inexactitud de nuestras predicciones en comparación con los valores reales, en nuestro caso, la métrica de error nos indica la diferencia entre los valores de predicted_price y los valores reales de los espacios habitables en el conjunto de datos de prueba.

Podríamos empezar calculando la diferencia entre cada valor predicho y el real y luego promediando estas diferencias, esto se conoce como error medio, pero no es una métrica de error eficaz para la mayoría de los casos, el error medio trata una diferencia positiva de forma diferente a una diferencia negativa, pero lo que realmente nos interesa es lo lejos que está la predicción en la dirección positiva o negativa, si el precio real era de 200 dólares y el modelo predijo 210 o 190, se aleja 10 dólares en cualquier caso.

En su lugar, podemos utilizar el error medio absoluto, donde calculamos el valor absoluto de cada error antes de promediar todos los errores.

Instrucciones

• Utiliza numpy.absolute() para calcular el error medio absoluto entre predicted_price y el price 
• Asigna el MAE a mae

Soluciones

1
2


3
4

import numpy as np
test_df['error'] =
np.absolute(test_df['predicted_price'] -
test_df['price'])
mae = test_df['error'].mean()
print(mae)