Qualidade do ajuste

Introdução à Modelagem Linear em Python

Jason Vestuto

Data Scientist

3 R's diferentes

Construindo modelos:

Avaliando modelos:

RMSE
R-squared

RMSE

residuals = y_model - y_data
RSS = np.sum( np.square(residuals) )

mean_squared_residuals = np.sum( np.square(residuals) ) / len(residuals)

MSE = np.mean( np.square(residuals) )

RMSE = np.sqrt(np.mean( np.square(residuals)))

RMSE = np.std(residuals)

R-squared em código

Desvios:

deviations = np.mean(y_data) - y_data
VAR = np.sum(np.square(deviations))

Resíduos:

residuals = y_model - y_data
RSS = np.sum(np.square(residuals))

R-squared:

r_squared = 1 - (RSS / VAR)
r = correlation(y_data, y_model)

R-squared nos dados

Gráfico de dispersão de altitude versus distância com linha do modelo em vermelho passando pelos pontos, ambos horizontais, inclinação zero

R-squared nos dados

Gráfico de dispersão de altitude versus distância com linha do modelo em vermelho passando pelos pontos, ambos com leve inclinação

R-squared nos dados

Gráfico de dispersão de altitude versus distância com linha do modelo em vermelho passando pelos pontos, ambos com inclinação moderada, visto como uma subida moderada

R-squared nos dados

Gráfico de dispersão de altitude versus distância com linha do modelo em vermelho passando pelos pontos, ambos com inclinação moderada, visto como uma subida íngreme

RMSE vs R-squared

RMSE: quanto da variação é residual
R-squared: qual fração da variação é linear

Vamos praticar!

Introdução à Modelagem Linear em Python