O erro absoluto médio (MAE) mostra, em média, quanto as previsões de um modelo se desviam dos valores reais, independentemente do sentido. É expresso na unidade da variável-alvo, o que o torna fácil de compreender. Exemplo: um MAE de 12 numa previsão de vendas diárias significa que o modelo falha, em média, 12 unidades. Dá menos peso aos valores atípicos do que as medidas de erro quadrático.
Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.
Iniciar demonstraçãoA regressão linear é um método estatístico que descreve a relação entre uma variável-alvo e um ou mais preditores através de uma reta ou de um plano. Os coeficientes são geralmente escolhidos de modo a minimizar a soma dos quadrados dos desvios. O método é fácil de compreender e interpretar: por exemplo, pode estimar quanto sobe a receita quando o orçamento de publicidade aumenta 1000 €. Atinge os seus limites em relações não lineares.
O erro de generalização mede o quanto um modelo de IA falha em dados novos, nunca vistos – por oposição ao seu erro nos dados de treino. Uma grande diferença entre os dois indica sobreajuste: o modelo memorizou exemplos em vez de aprender padrões gerais. É estimado com dados de teste reservados ou validação cruzada. É o valor que realmente conta, porque, na prática, um modelo encontra quase só casos novos.
A validação cruzada é um método para verificar em que medida um modelo generaliza para dados novos, nunca vistos. Na validação cruzada k-fold, os dados são divididos em k partes; o modelo é treinado k vezes em k−1 partes e testado de cada vez na parte restante, após o que os resultados são calculados em média. Isto ajuda a detetar o sobreajuste e a comparar modelos ou configurações de forma justa, sobretudo quando há poucos dados.
A modelação preditiva é o núcleo técnico da análise preditiva: com dados de exemplo de resultados conhecidos, constrói-se um modelo que prevê um valor ou uma classe para casos novos. Entre os métodos comuns contam-se a regressão, as árvores de decisão, as florestas aleatórias e as redes neuronais. Um modelo pode, por exemplo, estimar o preço de um imóvel a partir da área, da localização e do ano de construção. Antes da utilização, é testado com dados reservados para detetar o sobreajuste.
