Não estamos mais atualizando o serviço Amazon Machine Learning nem aceitando novos usuários para ele. Essa documentação está disponível para usuários existentes, mas não estamos mais atualizando-a. Para obter mais informações, consulte O que é o Amazon Machine Learning.
Regressão
Para tarefas de regressão, as métricas de precisão típica são raiz quadrada do erro quadrático médio (RMSE) e erro percentual absoluto médio (MAPE). Essas métricas medem a distância entre o destino numérico previsto e a resposta numérica real (informação do terreno). No Amazon ML, a métrica RMSE é usada para avaliar a precisão preditiva de um modelo de regressão.
Figura 3: Distribuição de resíduos para um modelo de regressão
É uma prática comum examinar os resíduos de problemas de regressão Um resíduo de uma observação nos dados de avaliação é a diferença entre o destino verdadeiro e o previsto. Os resíduos representam a parte do destino que o modelo não consegue prever. Um resíduo positivo indica que o modelo subestima o destino (o destino real é maior do que o previsto). Um resíduo negativo indica uma superestimação (o destino real é menor do que o previsto). Quando distribuído em forma de sino e na base zero, o histograma dos resíduos nos dados de avaliação indica que o modelo comete erros aleatórios e não prevê sistematicamente para mais ou para menos nenhum intervalo de valores de destino. Se os resíduos não se apresentam como uma forma de sino de base zero, há alguma estrutura no erro de previsão do modelo. A adição de mais variáveis ao modelo pode ajudá-lo a capturar o padrão que não é captado pelo modelo atual.
