MediaOpción múltiple

Pregunta de práctica de AI-900

Un científico de datos entrena un modelo de regresión para predecir el consumo diario de electricidad (en kWh) para un edificio comercial. El equipo de negocio necesita una métrica que penalice fuertemente los grandes errores de predicción (valores atípicos u outliers) más que los pequeños errores. ¿Qué métrica debe reportar el científico de datos para cumplir mejor con este requisito?

Elige la mejor respuesta.

Respuesta correcta

  • BRoot Mean Squared Error (RMSE)

Explicación

La raíz del error cuadrático medio (RMSE) es la métrica correcta porque eleva al cuadrado los residuos antes de promediar, lo que amplifica desproporcionadamente el impacto de los grandes errores (valores atípicos) en comparación con los pequeños errores. Esto se alinea directamente con el requisito de negocio de penalizar fuertemente los grandes errores de predicción en el modelo de regresión para el consumo diario de electricidad.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Mean Absolute Error (MAE)

El error absoluto medio (MAE) promedia las diferencias absolutas entre los valores predichos y los reales utilizando la pérdida L1, por lo que cada residuo contribuye lineal e igualmente al error total. Un valor atípico con un residuo de 50 añade solo 50 al MAE, mientras que un error típico de 5 añade 5, lo que significa que el valor atípico no se pondera más allá de su magnitud bruta. Como no eleva al cuadrado los residuos grandes, el MAE no penalizaría los valores atípicos con mayor fuerza, lo que lo convierte en la elección incorrecta bajo ese objetivo.

B

Correcta

Root Mean Squared Error (RMSE)

La raíz del error cuadrático medio (RMSE) calcula la raíz cuadrada de la media de los residuos al cuadrado, implementando directamente la pérdida L2. Elevar al cuadrado cada error transforma un residuo de 10 unidades en una contribución de 100 frente a 1 para un residuo de 1 unidad, por lo que un único error grande puede dominar la métrica e impulsar al modelo a reducirlo. Esta amplificación cuadrática es exactamente la penalización más pesada sobre los valores atípicos que se requiere, haciendo del RMSE la métrica correcta cuando los errores grandes son especialmente indeseables.

C

Incorrecta

R-squared

El R-cuadrado (coeficiente de determinación) reporta la proporción de la varianza en la variable objetivo explicada por el modelo en relación con una línea base de media simple, típicamente como un valor de 0 a 1 (o negativo para ajustes deficientes). Aunque su término de suma de residuos al cuadrado eleva al cuadrado los errores, la métrica se normaliza por la varianza total, por lo que mide el ajuste proporcional en lugar de una magnitud de error procesable o una pérdida de entrenamiento que penalice los valores atípicos. Por lo tanto, puede describir la calidad del modelo pero no sirve como una métrica que penalice desproporcionadamente los grandes errores de predicción de la forma en que lo hace el RMSE.

D

Incorrecta

Mean Absolute Percentage Error (MAPE)

El error porcentual absoluto medio (MAPE) expresa cada error absoluto como un porcentaje del valor real correspondiente, luego promedia esos porcentajes. Debido a que el denominador cambia por observación, un gran error absoluto en un objetivo de alto valor puede parecer pequeño en términos porcentuales, mientras que un error absoluto menor en un objetivo diminuto puede parecer enorme, por lo que no otorga consistentemente mayor peso a los errores más grandes. Este comportamiento relativo y dependiente de la escala significa que el MAPE no es apropiado cuando el requisito es penalizar con mayor fuerza los grandes valores atípicos absolutos.

Para profundizar

Las métricas de evaluación de regresión difieren principalmente en cómo ponderan las magnitudes de los residuos. El MAE (L1) es robusto a los valores atípicos porque todos los errores se ponderan por igual, mientras que el RMSE/MSE (L2) amplifica los grandes errores cuadráticamente, convirtiéndolo en un valor predeterminado común cuando las desviaciones significativas son desproporcionadamente costosas. Un punto sutil y a menudo pasado por alto es que la optimización para RMSE asume que los errores objetivo son aproximadamente normales con varianza constante; si los datos reales contienen colas pesadas o valores atípicos ruidosos, el modelo puede distorsionarse para acomodarlos. En la práctica, la elección de la métrica debe seguir la estructura de costos del negocio: por ejemplo, un error de predicción de una hora en el tiempo de entrega puede ser levemente molesto, pero un error de diez horas no es meramente diez veces peor, puede ser inaceptable operacionalmente, por lo que el RMSE captura esa urgencia. Por el contrario, si se esperan algunas lecturas anómalas y no deben dictar el comportamiento del modelo, se prefiere el MAE o una pérdida winsorizada. El R-cuadrado se lee comúnmente mal como una métrica de error, pero es una comparación normalizada con una media de referencia y puede ser manipulado por la dispersión de los datos; el MAPE falla cuando los valores reales se acercan a cero y da un peso asimétrico a las subpredicciones porque el denominador es el valor real. Para el examen AI-900, reconozca que el RMSE es la métrica explícitamente ligada a 'penalizar los errores más grandes con mayor fuerza'.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.