1
resposta

Criação da função def calcular_metricas_regressao(y_test, y_pred):

Bom dia,

Para função trazer o mesmo resultado alterei uma linha e squared, que ficou assim:

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
import numpy as np

def calcular_metricas_regressao2(y_test, y_pred):

mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

metricas = {
    'Raiz do Erro Quadrático Médio': round(rmse, 4),
    'Erro Absoluto Médio': round(mae, 4),
    'R2 Score': round(r2, 4)
}

return metricas
1 resposta

Oi, Clea. Bom dia.

É muito legal ver como você buscou uma alternativa para calcular o RMSE. Compreender a relação entre o MSE (Erro Quadrático Médio) e o RMSE (Raiz do Erro Quadrático Médio) demonstra que você tá atenta aos fundamentos estatísticos por trás das métricas.

A sua abordagem utilizando np.sqrt(mse) tá boa. Como o RMSE é literalmente a raiz quadrada do MSE, o resultado final será exatamente o mesmo. Essa é uma excelente forma de contornar as mudanças de versão da biblioteca Scikit-Learn e manter o código funcionando sem depender de parâmetros que se tornaram obsoletos.

Sua proatividade em adaptar o código e compartilhar ajuda muito no dia a dia.

Conteúdos relacionados
Alura Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!