Discusión sobre el artículo "Evaluación de modelos ONNX usando métricas de regresión"

 

Artículo publicado Evaluación de modelos ONNX usando métricas de regresión:

La regresión es una tarea que consiste en predecir un valor real a partir de un ejemplo sin etiquetar. Para evaluar la precisión de las predicciones de los modelos de regresión, se usan las llamadas métricas de regresión.

La regresión es una tarea que consiste en predecir un valor real a partir de un ejemplo sin etiquetar. Un ejemplo muy conocido de regresión es la estimación del valor de un diamante según características como el tamaño, el peso, el color, la claridad, etcétera.

Para evaluar la precisión de las predicciones de los modelos de regresión, se utilizan las llamadas métricas de regresión. A pesar de tener algoritmos semejantes, las métricas de regresión son semánticamente diferentes de las funciones de pérdida similares. Es importante entender la diferencia entre ellas, que podemos formular de la siguiente manera:

  • La función de pérdida surge en el momento en que reducimos el problema de construcción de un modelo a un problema de optimización. Generalmente se requiere que tenga buenas propiedades (por ejemplo, diferenciabilidad).

  • Una métrica es un criterio de calidad externo y objetivo, que normalmente no depende de los parámetros del modelo, sino solo de los valores predichos.



Las siguientes métricas están implementadas en el lenguaje MQL5:

  • Error absoluto medio (Mean Absolute Error, MAE)
  • Error cuadrático medio (Mean Squared Error, MSE)
  • Raíz del error cuadrático medio (Root Mean Squared Error, RMSE)
  • Cuadrado R (R-squared, R2)
  • Error porcentual absoluto medio (Mean Absolute Percentage Error, MAPE)
  • Error porcentual cuadrático medio (Mean Squared Percentage Error, MSPE)
  • Raíz del error logarítmico cuadrático medio (Root Mean Squared Logarithmic Error, RMSLE)

Se supone que la composición de las métricas de regresión en MQL5 será ampliada.


Autor: MetaQuotes