Curso: Ciência de Dados - Do Zero a Iniciante - 17. Aula 17 - Avaliando as Previsões de um Regressor

---------------------------------------------------------------------------------------------------------------------- ⇒Aprofunde seus conhecimentos em estatística e ciência de dados com meu livro: •https://maironchaves.manus.space/ ⇒Podcast de apresentação do livro: •https://www.youtube.com/watch?v=8QoNOpgDWqY ---------------------------------------------------------------------------------------------------------------------- 📊 Resumo do Vídeo: "Curso Ciência de Dados - Do Zero ao Iniciante (Aula 17: Avaliando as Previsões de um Regressor)" Neste vídeo, StatiR apresenta métodos para avaliar a precisão de algoritmos de regressão, como a análise de erros e a utilização de métricas como MAE, MAPE e R². Além disso, são discutidas estratégias de validação cruzada e separação de dados para garantir que o modelo generalize bem. 📈 1. O que é Erro em Regressão? O erro é a diferença entre o valor real e o valor previsto pelo modelo. Fórmula: Erro = Valor Real - Valor Previsto. Exemplos: Para uma observação com volume real de 10,3 e previsto de 5,9, o erro seria 4,4. Os erros, chamados de resíduos, devem ser minimizados para melhorar a precisão do modelo. 🧮 2. Métricas de Avaliação MAE (Mean Absolute Error): Média dos erros absolutos, medindo quanto o modelo erra em média. Fórmula: MAE = Soma(|Erro|) / Total de Observações. Exemplo: Se os erros absolutos forem 4,4, 0,7 e 1,3, o MAE seria: MAE = (4,4 + 0,7 + 1,3) / 3 = 2,13. MAPE (Mean Absolute Percentage Error): Percentual médio do erro em relação aos valores reais. Fórmula: MAPE = Soma(|Erro| / Valor Real) × 100 / Total de Observações. Exemplo: Para um erro de 4,4 com valor real de 10,3, o erro percentual seria: MAPE = (4,4 / 10,3) × 100 = 42,72%. R² (Coeficiente de Determinação): Mede a porcentagem da variabilidade de Y explicada pelas variáveis independentes. Varia de 0% (nenhuma explicação) a 100% (explicação perfeita). Exemplos: R² = 80% indica que 80% da variação de Y é explicada pelo modelo. 🔧 3. Estratégias de Validação Holdout: Divisão dos dados em duas partes: treino (ex.: 70%) e teste (ex.: 30%). O modelo é treinado na parte maior e testado na menor para avaliar sua capacidade preditiva. Validação Cruzada (Cross-Validation): A base é dividida em várias partes (folds). Em cada iteração, uma parte é usada como teste e o restante como treino. Ao final, as métricas são calculadas como a média dos resultados de todas as iterações. 🚀 Para Expandir Seus Horizontes: Explorar Métricas Adicionais: Descubra como o RMSE (Root Mean Square Error) complementa o MAE e o MAPE. Validação em Cenários Reais: Teste a separação de dados e validação cruzada em datasets com sazonalidade, como vendas ao longo do ano. R² vs. Ajuste Fino: Avalie a relação entre um alto R² e a complexidade do modelo, evitando overfitting.