El error cuadrático medio (MSE) es la métrica más ampliamente usada para calificar qué tan bien coinciden las predicciones de un modelo de regresión o pronóstico con la realidad. Esta calculadora recorre el MSE junto con sus dos parientes más cercanos — el RMSE y el MAE — para que puedas ver no solo el número sino lo que significa para tu modelo.
Cómo funcionan el MSE, el RMSE y el MAE
MSE = Σ(real − predicho)² / n eleva al cuadrado cada residuo antes de promediar, lo que significa que un solo fallo grande puede dominar el resultado — un residuo dos veces más grande contribuye cuatro veces el error al cuadrado. RMSE = √MSE deshace el cuadrado al final, devolviendo la métrica a las mismas unidades que tus datos originales para que sea directamente comparable con los valores que estás prediciendo. MAE = Σ|real − predicho| / n omite el cuadrado por completo y promedia el tamaño absoluto de cada error, así que trata un fallo de 10 como exactamente el doble de malo que un fallo de 5 — ni más ni menos.
Entradas y su significado
Ingresa tus valores Reales (los resultados reales observados) y valores Predichos (lo que produjo un modelo o pronóstico) como dos listas que coincidan, separadas por comas, espacios o saltos de línea. El orden importa: el primer valor real se empareja con el primer valor predicho, y así sucesivamente. Ambas listas deben contener el mismo número de entradas — la calculadora señala una discrepancia en lugar de adivinar qué valores se emparejan.
Límites y casos extremos
El MSE y el RMSE son sensibles a los valores atípicos: un solo residuo muy grande puede inflar ambas métricas incluso si el resto de las predicciones son precisas, lo cual a veces es exactamente lo que quieres (cuando los errores grandes son especialmente costosos) y a veces es engañoso (cuando un dato malo sesga toda la puntuación). El MAE es más robusto frente a los valores atípicos pero trata todos los tamaños de error proporcionalmente, así que puede subestimar el impacto de un fallo raro y severo. Ninguna de estas tres métricas por sí sola te dice si un modelo es estadísticamente significativo o si generalizará a nuevos datos — para eso, combínalas con pruebas fuera de muestra, un coeficiente de determinación (R²) o validación cruzada.
Comparación de modelos ponderados
Compara modelos sobre las mismas observaciones. Las diferencias de error son el modelo de comparación menos el de referencia. Desactivar los pesos conserva los pesos introducidos y usa pesos iguales en el cálculo actual.
Los pesos deben ser no negativos y tener un total activo positivo. Una fila de peso cero se excluye solo de las métricas ponderadas; las no ponderadas conservan todas las filas. MSE usa unidades al cuadrado; RMSE y MAE conservan las unidades del resultado. Un error arbitrariamente grande puede dominar cualquiera de los promedios.