Aprenda Avaliando o Desempenho de Recomendações com Métricas de Erro Quadrático Médio | Personalização Profunda por Meio de Fatoração de Matrizes

Deslize para mostrar o menu

Erro Quadrático Médio (MSE): Definição, Fórmula e Interpretação

Definição

Erro quadrático médio, ou MSE, é uma métrica fundamental para avaliar o quão próximas as classificações previstas por um sistema de recomendação estão das classificações reais dos usuários. Mede a média dos quadrados das diferenças entre os valores previstos e os valores reais.

A fórmula para o MSE é:

\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2

onde:

$y_i$ é a classificação real para o item $i$ ;
$\hat{y}_i$ é a classificação prevista para o item $i$ ;
$n$ é o número total de classificações comparadas.

Um valor de MSE mais baixo indica que as previsões estão mais próximas das classificações reais, enquanto um MSE mais alto indica erros maiores entre o que o sistema prevê e o que os usuários realmente classificaram.

Como Calcular o MSE para Classificações Previstas vs. Reais

Para calcular o MSE, siga estes passos:

Subtraia cada classificação prevista da classificação real para obter o erro de cada previsão;
Eleve ao quadrado cada erro para garantir que todos os valores sejam positivos e penalizar erros maiores;
Some todos os erros ao quadrado;
Divida o total pelo número de previsões para obter a média.

Por que o MSE é Importante para Avaliação de Modelos

O MSE é importante porque fornece um único número que resume a precisão preditiva de um sistema de recomendação. É especialmente útil para comparar diferentes modelos ou ajustar parâmetros, já que um MSE mais baixo reflete diretamente um melhor desempenho na previsão das preferências dos usuários. No entanto, como os erros são elevados ao quadrado, o MSE é sensível a grandes equívocos, o que é útil quando se deseja penalizar mais fortemente grandes discrepâncias.

Estude Mais

RMSE (Root Mean Squared Error) é a raiz quadrada do MSE. Expressa o erro nas mesmas unidades das avaliações originais, facilitando a interpretação da diferença entre as previsões e as avaliações reais dos usuários. O RMSE é amplamente utilizado junto com o MSE para avaliar sistemas de recomendação, pois oferece uma noção mais intuitiva da precisão das previsões.

Exemplo: Calculando o MSE para um Conjunto de Previsões

Suponha que você tenha um conjunto de avaliações reais de usuários e as avaliações previstas pelo seu sistema para cinco filmes:

Avaliações reais: [4, 3, 5, 2, 1]
Avaliações previstas: [5, 2, 4, 2, 1]

Você calcularia as diferenças, elevaria ao quadrado, somaria e dividiria por 5 (o número de avaliações) para obter o MSE.


              12345678910111213
            
import numpy as np

# Actual and predicted ratings
actual_ratings = np.array([4, 3, 5, 2, 1])
predicted_ratings = np.array([5, 2, 4, 2, 1])

# Calculate squared differences
squared_errors = (actual_ratings - predicted_ratings) ** 2

# Compute mean squared error
mse = np.mean(squared_errors)

print('Mean Squared Error:', mse)

1. Qual afirmação melhor descreve o que um erro quadrático médio (MSE) menor indica sobre as previsões de um sistema de recomendação?

2. Qual das seguintes métricas mede diretamente a média da diferença ao quadrado entre as classificações previstas e reais em um sistema de recomendação?

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 4. Capítulo 4

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Seção 4. Capítulo 4