El error absoluto medio (Mean Absolute Error, MAE) indica cuánto se desvían de media las predicciones de un modelo respecto a los valores reales, sin importar la dirección. Se expresa en la unidad de la variable objetivo, por lo que es fácil de entender. Ejemplo: un MAE de 12 en una previsión de ventas diarias significa que el modelo falla, de media, por 12 unidades. Da menos peso a los valores atípicos que el error cuadrático.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoLa regresión lineal es un método estadístico que describe la relación entre una variable objetivo y una o varias variables explicativas mediante una recta o un plano. Los coeficientes suelen elegirse de forma que se minimice la suma de las desviaciones al cuadrado. Es fácil de entender e interpretar: por ejemplo, permite estimar cuánto aumentan las ventas si subes el presupuesto publicitario en 1.000 euros. Con relaciones no lineales muestra sus límites.
El error de generalización mide cuánto se equivoca un modelo de IA con datos nuevos que no ha visto antes, a diferencia del error con los datos de entrenamiento. Una gran diferencia entre ambos indica sobreajuste: el modelo ha memorizado ejemplos en vez de aprender patrones generales. Se estima con datos de prueba reservados o validación cruzada. Es la cifra que de verdad importa, porque en uso real el modelo casi solo encuentra casos nuevos.
La validación cruzada es un método para comprobar lo bien que un modelo generaliza a datos nuevos. En la validación cruzada de k iteraciones, los datos se dividen en k partes; el modelo se entrena k veces con k−1 partes y se evalúa cada vez con la parte restante, y después se promedian los resultados. Así detectas el sobreajuste y comparas de forma justa modelos o configuraciones, sobre todo con pocos datos.
El modelado predictivo es el núcleo técnico de la analítica predictiva: con datos de ejemplo cuyo resultado se conoce se construye un modelo que predice un valor o una clase para casos nuevos. Métodos habituales son la regresión, los árboles de decisión, los bosques aleatorios y las redes neuronales. Un modelo puede, por ejemplo, estimar el precio de una vivienda a partir de la superficie, la ubicación y el año de construcción. Antes de usarlo se prueba con datos reservados para detectar el sobreajuste.
