Impressionante a qualidade do conteúdo, a tranquilidade que permite que enquanto ele explica a gente vá entendendo e fazendo as amarrações dos conceitos!
Sem comentários a aula. Vou usar esses conceitos com outros vídeos e rodar em Python um exemplo real. Inscrito pela qualidade do conteúdo e didática séria.
Ótimo vídeo! Professor, há uma escala de avaliaçao destas métricas de erros? Tipo, algo parecido com o coeficiente de variaçao. Por exemplo: Como o RMSE está apresentando x valor o erro está alto.
Muito Obrigado mesmo pela aula! Consegui entender que o mais importante é o R2 em uma regressão Linear. ----- Avaliação do treinamento ----- MAE: 1.2 R2: 0.02 RMSE: 1.62 ----- Avaliação do teste ----- MAE: 1.21 RMSE: 1.68 Obs. Eu cheguei nesse Resultado com uma Regressão Linear para o Mercado Financeiro. Minha duvida para uma avaliação, eu preciso fazer as demais analizes de Acuracia para saber se o modelo é bom?
Valeu, Fernando!! A acurácia é uma métrica de classificação. Nesse seu caso, uma regressão, as métricas a serem utilizadas são essas mesmo: MAE, RMSE, MSE
Valeu pela força! O R2 faz mais sentido em modelos lineares, em modelos de árvore a relação não é tão direta. Para quem está começando a gente acaba não recomendando :)
