A análise e a variância são conceitos importantes na aprendizagem supervisionada que ajudam a avaliar o desempenho dos modelos. Entender como calcular essas métricas pode melhorar a seleção e ajuste do modelo.

Entender as bias e as variações

Bias refere-se ao erro introduzido pela aproximação de um problema do mundo real com um modelo simplificado. Variância mede o quanto as previsões do modelo flutuam para diferentes conjuntos de dados de treinamento. Ambos influenciam a precisão e a capacidade de generalização do modelo.

Calculando Bias

O bias é calculado comparando a predição média do modelo com o valor verdadeiro. As etapas incluem:

  • Treinar o modelo várias vezes em diferentes conjuntos de dados de treinamento.
  • Prever a saída para um ponto de teste fixo cada vez.
  • Calcular a média destas previsões.
  • Calcular a diferença entre esta média e o valor verdadeiro.
  • Quadrar esta diferença para obter o viés ao quadrado.

Calculando Variância

A variação mede a variabilidade das previsões do modelo.

  • Use as previsões de vários modelos treinados em diferentes conjuntos de dados.
  • Calcular a predição média em todos os modelos.
  • Determinar o desvio ao quadrado de cada predição desta média.
  • Média destes desvios quadrados para encontrar a variância.

Exemplo prático

Suponha que você tenha um conjunto de dados e treine um modelo cinco vezes em diferentes subconjuntos. Para um ponto de teste específico, as previsões são 3, 2, 3, 8, 3, 3, 3, 3 e 3, 3. O valor verdadeiro é 4, 0.

A predição média é de 3,5. O viés ao quadrado é (4,0 - 3,5)^2 = 0,25. A variância é calculada com a média dos desvios ao quadrado de cada predição de 3,5, o que resulta em 0,14.