Sumário do modelo para Regressão CART^®

R² é a porcentagem de variação na resposta que o modelo explica. Os outliers têm um efeito maior no R² do que no MAD e MAPE.

Quando você usa um método de validação, a tabela inclui uma estatística R² para o conjunto de dados de treinamento e uma estatística R² para o método de validação. Quando o método de validação é a validação cruzada k-fold, a validação usa cada fold quando a construção da árvore exclui essa fold. A estatística R² dos resultados de validação normalmente é uma medida melhor de como o modelo funciona para novos dados.

Interpretação

Use o R² para determinar se o modelo ajusta bem seus dados. Quanto maior o valor R², melhor o modelo ajusta seus dados. R² está sempre entre 0% e 100%.

Você pode ilustrar graficamente o significado de diferentes valores de R². O primeiro gráfico ilustra um modelo de regressão simples que explica 85,5% da variação na resposta. O segundo gráfico ilustra um modelo que explica 22,6% da variação da resposta. Quanto mais variação for explicada pelo modelo, mais perto dos valores ajustados caem os pontos de dados. Teoricamente, se um modelo puder explicar 100% da variação, os valores ajustados sempre equivaleriam aos valores observados e todos os pontos de dados cairiam sobre a linha y = x.

Um validação R² substancialmente menor do que o R² de treinamento indica que a árvore pode não predizer os valores de resposta para novos casos tão bem quanto a árvore ajusta o conjunto de dados atual.

A raiz do quadrado médio do erro (RMSE) mede a exatidão da árvore. Os outliers exercem um efeito maior sobre o RMSE do que sobre o MAD e o MAPE.

Quando você usa um método de validação, a tabela inclui uma estatística RMSE para o conjunto de dados de treinamento e uma estatística RMSE para os resultados da validação. Quando o método de validação é a validação cruzada k-fold, a validação usa cada fold quando a construção da árvore exclui essa fold. A estatística RMSE de validação normalmente é uma medida melhor de como o modelo funciona para novos dados.

O erro quadrado médio (MSE) mede a exatidão da árvore. Os outliers exercem um efeito maior sobre o MSE do que sobre o MAD e o MAPE.

Quando você usa um método de validação, a tabela inclui uma estatística MSE para o conjunto de dados de treinamento e uma estatística MSE para os resultados da validação. Quando o método de validação é a validação cruzada k-fold, a validação usa cada fold quando a construção do modelo exclui essa fold. A estatística MSE de validação normalmente é uma medida melhor de como o modelo funciona para novos dados.

O desvio absoluto médio (MAD) expressa exatidão nas mesmas unidades que os dados, o que ajuda a conceituar a quantidade de erro. Os outliers têm menos efeito sobre o DAM do que sobre o R², RMSE e MSE.

Quando você usa um método de validação, a tabela inclui uma estatística MAD para o conjunto de dados de treinamento e uma estatística MAD para os resultados da validação. Quando o método de validação é a validação cruzada k-fold, a validação usa cada fold quando a construção do modelo exclui essa fold. A estatística MAD de validação normalmente é uma medida melhor de como o modelo funciona para novos dados.

O erro percentual absoluto médio (MAPE) expressa exatidão como um percentual do erro. Como o MAPE é um percentual, pode ser mais fácil de entender do que a outra estatística de medida de exatidão. Por exemplo, se o MAPE, em média, é de 0,05, então a relação média entre o erro ajustado e o valor real em todos os casos é de 5%. Outliers têm menos efeito no MAPE do que no R², RMSE e MSE.

No entanto, às vezes você pode ver um valor MAPE muito grande, mesmo que a árvore pareça ajustar bem os dados. Examine o gráfico de valores ajustados versus valores de resposta real para ver se algum valor de dados está próximo de 0. Como o MAPE divide o erro absoluto pelos dados reais, os valores próximos a 0 podem inflar muito o MAPE.

Quando você usa um método de validação, a tabela inclui uma estatística MAPE para o conjunto de dados de treinamento e uma estatística MAPE para os resultados da validação. Quando o método de validação é a validação cruzada k-fold, a validação usa cada fold quando a construção do modelo exclui essa fold. A estatística MAPE de validação normalmente é uma medida melhor de como o modelo funciona para novos dados.