Howtosignalprocessing
- ¿Cuál es la relación entre sesgo-varianza y MSE??
- ¿Cómo se calcula MSE a partir del sesgo??
- ¿Puede MSE ser mayor que 1??
- Es MSE igual a la varianza?
¿Cuál es la relación entre sesgo-varianza y MSE??
Muestra si nuestro predictor se aproxima bien al modelo real. Los modelos con alta capacidad tienen bajo sesgo y modelos con baja capacidad tienen un alto sesgo. Dado que tanto el sesgo como la varianza contribuyen a MSE, los buenos modelos intentan reducir los dos. Esto se llama compensación de varianza de sesgo.
¿Cómo se calcula MSE a partir del sesgo??
Definición 2.1 El error cuadrado medio (MSE) de un estimador ˆθ es Eθ [(ˆθ− θ) 2]. = varθ (ˆθ) + bias2 (ˆθ), donde sesgo (ˆθ) = eθ (ˆθ) - θ. [NB: A veces puede ser preferible tener un estimador sesgado con una varianza baja; esto a veces se conoce como la 'compensación de la varianza de sesgo'.]
¿Puede MSE ser mayor que 1??
Sin embargo, la desventaja de usar MSE que R-cuadrado es que será difícil medir el rendimiento del modelo usando MSE ya que el valor de MSE puede variar de 0 a cualquier número mayor. Sin embargo, en el caso de R-cuadrado, el valor está limitado entre 0 y 1.
Es MSE igual a la varianza?
Para encontrar un estimador con buenas propiedades MSE, necesitamos encontrar estimadores que controlen tanto la varianza como el sesgo. Para un estimador imparcial ˆθ, tenemos mseˆθ = e (ˆθ - θ) 2 = v ar (ˆθ) y, por lo tanto, si un estimador es imparcial, su MSE es igual a su varianza.
