¿Qué es el RMSE (raíz del error cuadrático medio)?
La raíz del error cuadrático medio, conocida por sus siglas en inglés RMSE (Raíz del error cuadrático medio), es una de las métricas más utilizadas para medir cuánto se alejan las predicciones de un modelo de los valores observados (reales). Expresa el tamaño típico del error de predicción en las mismas unidades que los datos, lo que facilita mucho su interpretación. Cuanto menor es el RMSE, mejor es el ajuste, y un RMSE igual a cero significa que las predicciones son perfectas.
Cómo usar esta calculadora
Introduce tus valores reales y tus valores predichos en dos listas, separadas por comas o espacios. Ambas listas deben tener el mismo número de elementos; si no coinciden, la calculadora utiliza los primeros n pares emparejados. Pulsa en calcular para obtener el RMSE, junto con el error cuadrático medio (MSE) y el error absoluto medio (MAE), que aportan contexto adicional.
La fórmula explicada
El RMSE se calcula en cuatro pasos: (1) resta cada valor predicho de su valor real para obtener el error, (2) eleva al cuadrado cada error para que los valores positivos y negativos no se cancelen entre sí, (3) promedia esos errores al cuadrado para obtener el MSE y (4) extrae la raíz cuadrada para volver a las unidades originales. Al elevar al cuadrado, los errores grandes pesan más, por lo que el RMSE es más sensible a los valores atípicos que el MAE.
$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$
Ejemplo resuelto
Supongamos que reales = [3, -0,5, 2, 7] y predichos = [2,5, 0,0, 2, 8]. Los errores son 0,5, -0,5, 0, -1. Al cuadrado: 0,25, 0,25, 0, 1, que suman 1,5. Al dividir entre \(n = 4\) obtenemos un \(\text{MSE} = 0{,}375\). La raíz cuadrada da un \(\text{RMSE} \approx 0{,}6124\). El MAE es \((0{,}5 + 0{,}5 + 0 + 1)/4 = 0{,}5\).
Más ejemplos resueltos
Ambos ejemplos usan pronósticos de temperatura en °C durante cinco días. Cada error es \(e_i = \text{Real}_i - \text{Pronosticado}_i\). Los errores al cuadrado dan el ECM y el REMC, y los errores absolutos dan el EAM. Los dos conjuntos de datos son iguales excepto por el día 5, así que puedes ver qué efecto tiene un único fallo grande en cada métrica.
Ejemplo 1: Un pronóstico razonablemente preciso
Temperaturas reales: 20, 22, 25, 24, 21. Temperaturas pronosticadas: 21, 20, 25, 27, 22.
| Día | Real (°C) | Pronosticado (°C) | Error \(e_i\) | Error al cuadrado \(e_i^2\) | Error absoluto \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 22 | −1 | 1 | 1 |
| Suma | 15 | 7 | |||
- Suma de los errores al cuadrado: \(1 + 4 + 0 + 9 + 1 = 15\)
- ECM: $$\text{ECM} = \frac{15}{5} = 3$$
- REMC: $$\text{REMC} = \sqrt{3} \approx 1.7321$$
- EAM: $$\text{EAM} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$
Resultado: REMC ≈ 1.7321 °C y EAM = 1.4 °C. Los dos valores son cercanos (REMC/EAM ≈ 1.24) porque todos los errores tienen un tamaño similar.
Ejemplo 2: El mismo pronóstico con un fallo grande
Todo se mantiene igual excepto el día 5, cuando el pronóstico fue de 31 °C en lugar de 22 °C. La temperatura real seguía siendo de 21 °C.
| Día | Real (°C) | Pronosticado (°C) | Error \(e_i\) | Error al cuadrado \(e_i^2\) | Error absoluto \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 31 | −10 | 100 | 10 |
| Suma | 114 | 16 | |||
- Suma de los errores al cuadrado: \(1 + 4 + 0 + 9 + 100 = 114\)
- ECM: $$\text{ECM} = \frac{114}{5} = 22.8$$
- REMC: $$\text{REMC} = \sqrt{22.8} \approx 4.7749$$
- EAM: $$\text{EAM} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$
Resultado: REMC ≈ 4.7749 °C y EAM = 3.2 °C.
Comparación de los dos ejemplos
| Métrica | Ejemplo 1 | Ejemplo 2 | Aumento |
|---|---|---|---|
| ECM (°C²) | 3 | 22.8 | ×7.6 |
| REMC (°C) | 1.7321 | 4.7749 | +3.0428 (×2.76) |
| EAM (°C) | 1.4 | 3.2 | +1.8 (×2.29) |
| REMC ÷ EAM | 1.24 | 1.49 | — |
Un único pronóstico que se equivocó en 10 °C representó 100 de los 114 errores al cuadrado totales, es decir, alrededor del 88 %. El EAM cuenta ese fallo como 10 de las 16 unidades de error totales. Como el REMC eleva al cuadrado cada error antes de promediar, aumentó mucho más que el EAM. Cuando el REMC es mucho mayor que el EAM, normalmente son unos pocos errores grandes los que determinan la puntuación. Revisa esos puntos individuales antes de decidir si todo el modelo es malo.
Unidades: el REMC y el EAM están en °C, la misma unidad que los datos. El ECM está en °C², que es la razón por la que el REMC suele ser más fácil de interpretar.
Preguntas frecuentes
¿Qué valor de RMSE se considera bueno? Depende por completo de la escala de tus datos. Compara el RMSE con el rango o la media de tu variable objetivo, o con un modelo de referencia.
¿En qué se diferencia el RMSE del MAE? El RMSE eleva los errores al cuadrado antes de promediarlos, por lo que penaliza con más fuerza los errores grandes, mientras que el MAE trata todos los errores de forma proporcional.
¿Puede ser negativo el RMSE? No. Como es la raíz cuadrada de una media de cuadrados, el RMSE siempre es cero o positivo.