Calculadora de MSE

El error cuadrático medio, normalmente abreviado MSE, mide el promedio de las diferencias al cuadrado entre observaciones reales y valores predichos. Para cada par, resta la predicción al valor real, eleva el error al cuadrado, suma todos los errores cuadrados y divide entre el número de pares. Cero significa que cada predicción coincide exactamente con su observación. Los valores mayores indican más error, aunque su significado práctico depende de la escala de la variable objetivo. Elevar al cuadrado cumple dos funciones: los errores positivos y negativos no se cancelan, y los grandes pesan más que los pequeños. Un error de cuatro aporta dieciséis unidades cuadradas, mientras que uno de dos solo aporta cuatro. Esta sensibilidad hace que MSE sea útil cuando los fallos grandes son especialmente costosos, pero también permite que un valor atípico domine la puntuación. Sus unidades son el cuadrado de las unidades originales, lo que puede dificultar la interpretación directa. La raíz del error cuadrático medio, o RMSE, es la raíz cuadrada de MSE. Recupera las unidades originales del objetivo y conserva la mayor influencia de los errores grandes. Si las temperaturas predichas se miden en grados, RMSE también se expresa en grados. En ciencia de datos suele informarse MSE para optimización y RMSE para comunicar resultados. Como la raíz cuadrada es monótona, ambos ordenan los modelos del mismo modo cuando se evalúan sobre idénticas observaciones. El error absoluto medio, o MAE, promedia el tamaño absoluto de cada error. También usa las unidades originales, pero pondera por igual cada unidad de error. Comparar MAE y RMSE puede revelar si un modelo falla mucho de forma ocasional. Si RMSE es mucho mayor que MAE, puede haber unos pocos errores importantes. Ninguna medida es siempre la mejor: elige según el costo real de los errores y mantén la misma métrica al comparar modelos. Esta calculadora requiere listas reales y predichas de igual longitud, porque cada predicción debe corresponder exactamente a una observación. El orden importa: la primera predicción se compara con el primer valor real, la segunda con el segundo y así sucesivamente. Los registros ausentes o desalineados producen una evaluación engañosa aunque ambas listas contengan números válidos. Prepara cuidadosamente los datos emparejados antes de interpretar los resultados. MSE se usa ampliamente en regresión, pronóstico, procesamiento de señales y aprendizaje automático. No es independiente de la escala, por lo que no deben compararse directamente puntuaciones de objetivos con distintas unidades. Para comparar escalas pueden convenir métricas normalizadas o errores porcentuales. Examina también los gráficos de residuos y las consecuencias del ámbito de aplicación: una sola puntuación no muestra el sesgo, los cambios de varianza ni dónde funciona mal el modelo.