[Dúvida] Modelo de regressão linear

exemplo do outro modelo. Perceba que o primeiro modelo tem todas as variáveis do meu dataset, portanto, ele vai explicar mais. toda vida, eu fico me perguntando, quanto mais variável eu tiver no meu treinamento melhor ele vai conseguir explicar novos dados e melhor ele vai prever os resultados, então eu fico nessa dúvida, qual outra maneira de avaliar um modelo sem olhar para o R²?

Oi Ronald, tudo bem?

Para avaliar modelos, não devemos nos basear apenas no R². Existem outras métricas e métodos que podem ser também informativos, principalmente quando se considera a capacidade do modelo de generalizar para novos dados.

Analisando as métricas dos resultados que você obteve, podemos comparar:

• R-squared e Adjusted R-squared: O primeiro modelo tem valores mais altos, indicando que explica melhor a variabilidade dos dados.
• AIC e BIC: O primeiro modelo tem valores mais altos, o que pode penalizar a complexidade do modelo, mas ainda assim, a diferença não é tão significativa comparada à melhoria em explicação.
• O RMSE do primeiro modelo é menor, indicando melhor precisão nas previsões.
• Durbin-Watson: Ambos os modelos têm valores próximos de 2, o que sugere uma ausência de autocorrelação significativa nos resíduos.

Portanto, essas métricas proporcionarão uma compreensão mais completa e equilibrada da performance do seu modelo. Qual escolher dependerá do seu objetivo, o segundo modelo é mais simples e pode ser preferível em contextos onde a simplicidade e interpretabilidade são mais importantes. O primeiro modelo sugere que ele é mais robusto.

Espero ter ajudado.

Qualquer dúvida, compartilhe no fórum.

Abraços e bons estudos!