2.2 - Comparando Error Absoluto (L1) vs Error Cuadrático (L2)
Introducción
La elección de la función de error es crucial en machine learning. Esta demostración te ayudará a entender visualmente las diferencias entre el Error Absoluto Medio (L1) y el Error Cuadrático Medio (L2), y cómo cada uno responde de manera diferente a los valores atípicos.
🏢
Actividad
Comparación de Error: L1 vs. L2
Contexto:
Una transportista necesita predecir el tiempo de entrega según distancia, tráfico y clima. Algunas rutas tienen incidencias o retrasos que pueden sesgar la evaluación del modelo.
Cómo explorarlo
- Alterna entre L1 y L2: Compara cómo cambia la penalización del error en cada métrica.
- Ajusta los datos: Observa cómo reaccionan las métricas cuando modificas los puntos.
- Interpreta las diferencias: L2 crece más rápido con errores grandes; L1 es más estable ante outliers.
Qué observar:
L1 es más robusto ante outliers (casos excepcionales), mientras que L2 penaliza mucho más los fallos grandes. Observa cómo cambian los errores cuando introduces valores atípicos.
Genera datos para comparar cómo se comportan las métricas L1 y L2. Prueba datos “normales” y datos con outliers, repite varias veces y observa cómo cambian la recta ajustada y el error promedio.
| Método | Error promedio |
|---|---|
| L1 (Error absoluto) | - |
| L2 (Error cuadrático) | - |
Conceptos Fundamentales
Diferencias Clave
- Error Absoluto Medio (L1)
- Suma las diferencias absolutas. Es más robusto ante valores atípicos.
- Error Cuadrático Medio (L2)
- Suma las diferencias al cuadrado. Penaliza fuertemente los errores grandes.