---
title: "Más allá del R²: métricas que importan en modelos de regresión"
description: Una buena métrica puede cambiar por completo la forma en que evaluamos un modelo de regresión. Descubre qué nos dicen el MAE, RMSE, R² y otras métricas, cuándo conviene usar cada una y por qué elegirlas bien importa más de lo que parece.
image: https://www.ixpantia.com/hubfs/Banners%20blogs%20(1).png
---

[Saltar al contenido](https://www.ixpantia.com/es/blog/metricas-modelos-regresion#main-content)

[![ixpantia-logo](https://www.ixpantia.com/hubfs/ixpantia-logo.svg)](https://www.ixpantia.com/es/?hsLang=es)

- [Nosotros](https://www.ixpantia.com/es/nosotros)
- [Prácticas](https://www.ixpantia.com/es)
  
  Mostrar submenú de Prácticas 
  
    - [Ciencia y metodología](https://www.ixpantia.com/es/ciencia-metodologia)
    - [Adopción y Madurez Analítica](https://www.ixpantia.com/es/adopcion-madurez)
    - [Ingeniería y Arquitectura](https://www.ixpantia.com/es/ingenieria-arquitectura)
- [Industrias](https://www.ixpantia.com/industrias)
- [Contenido](https://www.ixpantia.com/es/contenido)
  
  Mostrar submenú de Contenido 
  
    - [Eventos](https://www.ixpantia.com/es/eventos)
    - [Blog](https://www.ixpantia.com/es/blog)
    - [Data Latam - Podcast](https://www.datalatam.com/)
    - [GitHub](https://github.com/ixpantia)
- [Contacto](https://www.ixpantia.com/es/contacto)
  
  Mostrar submenú de Contacto 
  
    - [Contacto](https://www.ixpantia.com/es/contacto)
    - [Talento](https://www.ixpantia.com/es/trabaja-con-nosotros)

Abrir navegación principal

Cerrar navegación principal

- [Nosotros](https://www.ixpantia.com/es/nosotros)
- [Prácticas](https://www.ixpantia.com/es)
  
  Mostrar submenú de Prácticas 
  
    - [Ciencia y metodología](https://www.ixpantia.com/es/ciencia-metodologia)
    - [Adopción y Madurez Analítica](https://www.ixpantia.com/es/adopcion-madurez)
    - [Ingeniería y Arquitectura](https://www.ixpantia.com/es/ingenieria-arquitectura)
- [Industrias](https://www.ixpantia.com/industrias)
- [Contenido](https://www.ixpantia.com/es/contenido)
  
  Mostrar submenú de Contenido 
  
    - [Eventos](https://www.ixpantia.com/es/eventos)
    - [Blog](https://www.ixpantia.com/es/blog)
    - [Data Latam - Podcast](https://www.datalatam.com/)
    - [GitHub](https://github.com/ixpantia)
- [Contacto](https://www.ixpantia.com/es/contacto)
  
  Mostrar submenú de Contacto 
  
    - [Contacto](https://www.ixpantia.com/es/contacto)
    - [Talento](https://www.ixpantia.com/es/trabaja-con-nosotros)

 Nov 17, 2026, 10:16:28 AM

# Más allá del R²: métricas que importan en modelos de regresión

![Picture of Max Baldiviezo](https://www.ixpantia.com/hs-fs/hubfs/_DSC9570%20copia.png?width=50&name=_DSC9570%20copia.png) [Max Baldiviezo](https://www.ixpantia.com/es/blog/author/max-baldiviezo)

Compartir: [linkedin-in icon](http://www.linkedin.com/shareArticle?mini=true&url=https://www.ixpantia.com/es/blog/metricas-modelos-regresion) [facebook-f icon](http://www.facebook.com/share.php?u=https://www.ixpantia.com/es/blog/metricas-modelos-regresion) [X Twitter icon](https://twitter.com/intent/tweet?url=https://www.ixpantia.com/es/blog/metricas-modelos-regresion) [pinterest-p icon](http://pinterest.com/pin/create/link/?url=https://www.ixpantia.com/es/blog/metricas-modelos-regresion) [envelope icon](mailto:?body=https://www.ixpantia.com/es/blog/metricas-modelos-regresion)

 

![Shiny (4)-2](https://www.ixpantia.com/hs-fs/hubfs/Shiny%20(4)-2.png?width=960&height=350&name=Shiny%20(4)-2.png)

# Introducción

Un modelo de regresión predice un número. Para saber si es bueno, comparamos sus predicciones y^𝑖 con los valores reales y𝑖 y resumimos esos errores en una métrica.

El problema es que cada métrica resume los errores de forma distinta. Algunas castigan más los errores grandes, otras los relativos, otras los de quedarse corto. **Elegir una métrica es decidir qué errores importan más.**

En este blog repasamos las métricas más comunes, su fórmula y, sobre todo, cuándo conviene usar cada una.

import numpy as np  
import pandas as pd  
import matplotlib.pyplot as plt

from sklearn.datasets import fetch\_california\_housing  
from sklearn.model\_selection import train\_test\_split  
from sklearn.dummy import DummyRegressor  
from sklearn.linear\_model import LinearRegression  
from sklearn.ensemble import HistGradientBoostingRegressor  
from sklearn.metrics import (  
 mean\_absolute\_error, median\_absolute\_error, max\_error,  
 mean\_squared\_error, root\_mean\_squared\_error,  
 mean\_absolute\_percentage\_error, root\_mean\_squared\_log\_error,  
 r2\_score, mean\_pinball\_loss,  
)

COLORES = \["#2a78d6", "#eb6834", "#1baf7a", "#eda100"\]  
TEXTO = "#52514e"

plt.rcParams.update({  
 "figure.dpi": 110,  
 "axes.spines.top": False,  
 "axes.spines.right": False,  
 "axes.edgecolor": TEXTO,  
 "axes.labelcolor": TEXTO,  
 "xtick.color": TEXTO,  
 "ytick.color": TEXTO,  
 "axes.grid": True,  
 "grid.color": "#e5e4e0",  
 "grid.linewidth": 0.6,  
 "font.family": "sans-serif",  
})

# Términos clave

- **RMSE** (raíz del error cuadrático medio): la métrica más usada para comparar modelos de regresión.
- **RSE** (error estándar residual): la RMSE ajustada por grados de libertad.
- *R²* (coeficiente de determinación): qué proporción de la variación de y explica el modelo.
- **Estadístico t**: el coeficiente de una variable dividido por su error estándar. Sirve para ver qué variables importan, no para evaluar predicciones.

Son los términos que destaca *Practical Statistics for Data Scientists* (Bruce, Bruce & Gedeck, 2020). Hay muchas más métricas, y la RMSE no siempre es la mejor opción.

# Datos

Usamos *California Housing* (Pace & Barry, 1997), que viene con scikit-learn. Cada fila es una zona de California y y es el valor mediano de las viviendas, en cientos de miles de dólares.

X, y = fetch\_california\_housing(return\_X\_y=True, as\_frame=True)  
X\_train, X\_test, y\_train, y\_test = train\_test\_split(  
 X, y, test\_size=0.25, random\_state=42  
)

pd.DataFrame({  
 "Filas": \[len(X)\],  
 "Predictoras": \[X.shape\[1\]\],  
 "Media de y": \[y.mean()\],  
 "Mediana de y": \[y.median()\],  
 "% con y = 5.0 (tope)": \[100 \* (y \>= 5).mean()\],  
}).round(2)

|  | **Filas** | **Predictoras** | **Media de y** | **Mediana de y** | **% con y = 5.0 (tope)** |
| --- | --- | --- | --- | --- | --- |
| 0 | 20640 | 8 | 2.07 | 1.8 | 4.81 |

Dos cosas a tener en cuenta:

1. y **es asimétrica:** la media es mayor que la mediana porque hay zonas muy caras.
2. y **está truncada en 5.0:** cerca del 5 % de las zonas valen 500 000 dólares o más, pero todas figuran como 5.0. Ningún modelo puede adivinar cuánto más valen.

Entrenamos cinco modelos con el 75 % de los datos y evaluamos en el 25 % restante:

- **Media** y **Mediana:** siempre predicen la misma constante. Sirven como referencia.
- **Lineal:** regresión lineal múltiple.
- **GB (cuadrática)** y **GB (absoluta):** *gradient boosting* entrenado para minimizar el error cuadrático o el absoluto.

modelos = {  
 "Media": DummyRegressor(strategy="mean"),  
 "Mediana": DummyRegressor(strategy="median"),  
 "Lineal": LinearRegression(),  
 "GB (cuadrática)": HistGradientBoostingRegressor(random\_state=42),  
 "GB (absoluta)": HistGradientBoostingRegressor(  
  loss="absolute\_error", random\_state=42  
 ),  
}

predicciones = {}  
for nombre, modelo in modelos.items():  
 modelo.fit(X\_train, y\_train)  
 predicciones\[nombre\] = modelo.predict(X\_test)

# Las métricas

Notación: y𝑖 es el valor real, y^𝑖 la predicción, n la cantidad de observaciones y p la cantidad de predictoras.

## Error absoluto

**MAE**, error absoluto medio. El error promedio, en las unidades de y:

MAE = 1 n n ∑ 𝑖 = 1  |y𝑖−y^𝑖|

**MedAE**, error absoluto mediano. El error del caso típico; no le afectan los extremos:

MedAE = mediana(|y𝑖−y^𝑖|)

**Error máximo.** El peor error:

MaxError = max𝑖  |y𝑖−y^𝑖|

## Error cuadrático

**MSE**, error cuadrático medio. Está en unidades al cuadrado, así que se usa más para entrenar que para reportar:

MSE = 1 n n ∑ 𝑖 = 1  (y𝑖−y^𝑖)2

**RMSE.** La raíz del MSE, de vuelta en unidades de y:

RMSE = √MSE

**RSE.** La RMSE ajustada por grados de libertad:

RSE = 1 n−p−1 n ∑ 𝑖 = 1  (y𝑖−y^𝑖)2

## Error relativo

**MAPE**, error porcentual absoluto medio. El error como porcentaje del valor real:

MAPE = 1 n n ∑ 𝑖 = 1 y𝑖−y^𝑖 y𝑖

**RMSLE.** La RMSE sobre log(1+y). Mide cocientes entre real y predicción, no diferencias:

RMSLE = 1 n n ∑ 𝑖 = 1 (log (1+y𝑖)−log(1+y^𝑖))2

## Varianza explicada

*R²***.** Compara el error del modelo con el de predecir siempre la media ȳ. Vale 1 si el modelo es perfecto, 0 si es igual a la media y es negativo si es peor:

R2 = 1 − n ∑ 𝑖 = 1  (y𝑖−y^𝑖)2 n ∑ 𝑖 = 1  (y𝑖−y)2

*R²* **ajustado.** Castiga agregar variables que no aportan:

R2aj = 1 −  (1−R2) n−1 n−p−1

## Todas juntas

def calcular\_metricas(y\_real, y\_pred, p=X.shape\[1\]):  
 n = len(y\_real)  
 r2 = r2\_score(y\_real, y\_pred)  
 return {  
  "MAE": mean\_absolute\_error(y\_real, y\_pred),  
  "MedAE": median\_absolute\_error(y\_real, y\_pred),  
  "MaxError": max\_error(y\_real, y\_pred),  
  "MSE": mean\_squared\_error(y\_real, y\_pred),  
  "RMSE": root\_mean\_squared\_error(y\_real, y\_pred),  
  "RSE": np.sqrt(np.sum((y\_real - y\_pred) \*\* 2) / (n - p - 1)),  
  "MAPE": mean\_absolute\_percentage\_error(y\_real, y\_pred),  
  "RMSLE": root\_mean\_squared\_log\_error(y\_real, np.clip(y\_pred, 0, None)),  
  "R²": r2,  
  "R² aj.": 1 - (1 - r2) \* (n - 1) / (n - p - 1),  
 }

tabla = pd.DataFrame({  
 nombre: calcular\_metricas(y\_test, pred)  
 for nombre, pred in predicciones.items()  
}).T  
tabla.round(3)

| Tabla 1: Métricas en el conjunto de prueba. Menor es mejor, salvo R² y R² ajustado. Para RMSLE, las predicciones negativas del modelo lineal se recortan en cero.   MAE MedAE MaxError MSE RMSE RSE MAPE RMSLE R² R² aj. Media 0.910 0.761 2.930 1.323 1.150 1.151 0.630 0.363 -0.000 -0.002 Mediana 0.881 0.680 3.204 1.395 1.181 1.182 0.533 0.357 -0.054 -0.056 Lineal 0.530 0.410 10.068 0.541 0.736 0.736 0.320 0.226 0.591 0.590 GB (cuadrática) 0.313 0.206 3.312 0.217 0.466 0.466 0.184 0.143 0.836 0.836 GB (absoluta) 0.316 0.190 3.809 0.248 0.498 0.498 0.173 0.147 0.813 0.813 |
| --- |

**Las métricas no siempre eligen el mismo ganador:**

- La *Media* gana en RMSE; la *Mediana*, en MAE y MAPE.
- GB (cuadrática) gana en RMSE; GB (absoluta), en MedAE y MAPE.
- El modelo lineal tiene un MAE aceptable, pero un error máximo enorme.
- Con 5 160 observaciones, RSE y *R²* ajustado son casi iguales a RMSE y *R²*.

# Cuándo usar cada métrica

## RMSE o MAE

La diferencia está en cuánto cuesta un error grande ([Figura 1](https://docs.google.com/document/d/1KAaoljWFvga5M2M2NcnZ-waJo_4PQaLU-GcKmFycVAg/edit?tab=t.0#bookmark=id.z1n7hciajmuz)). Con MAE, un error de 2 cuesta el doble que uno de 1. Con RMSE, cuesta cuatro veces más.

e = np.linspace(-3, 3, 301)

fig, ax = plt.subplots(figsize=(6, 3.6))  
ax.plot(e, e\*\*2, color=COLORES\[0\], lw=2, label="Cuadrática (MSE / RMSE)")  
ax.plot(e, np.abs(e), color=COLORES\[1\], lw=2, label="Absoluta (MAE)")  
ax.set\_xlabel("Error  $y - \\\\hat{y}$")  
ax.set\_ylabel("Penalización")  
ax.legend(frameon=False, loc="upper center")  
plt.tight\_layout()  
plt.show()

| ![](https://www.ixpantia.com/hs-fs/hubfs/undefined-Nov-14-2026-03-40-52-6591-PM.png?width=649&height=385&name=undefined-Nov-14-2026-03-40-52-6591-PM.png) *Figura 1: Penalización de un error según la métrica* |
| --- |

**Cada una premia una predicción distinta.** La RMSE premia predecir la **media**; el MAE, la **mediana**. Por eso la *Media* gana en RMSE y la *Mediana* en MAE. Lo mismo pasa con los dos *gradient boosting*: cada uno gana en la métrica para la que fue entrenado.

**Evaluar con una métrica distinta a la que se optimizó castiga al modelo por hacer lo que se le pidió.**

pred\_gb = predicciones\["GB (cuadrática)"\]

fig, ax = plt.subplots(figsize=(5, 5))  
ax.scatter(y\_test, pred\_gb, s=6, alpha=0.25, color=COLORES\[0\], linewidths=0)  
ax.plot(\[0, 5.2\], \[0, 5.2\], color=TEXTO, lw=1, ls="--")  
ax.set\_xlabel("Valor real (cientos de miles de USD)")  
ax.set\_ylabel("Predicción")  
ax.set\_aspect("equal")  
plt.tight\_layout()  
plt.show()

| Figura 2: Valor real contra predicción de GB (cuadrática). La columna en 5.0 son las zonas truncadas. (tabla\["RMSE"\] / tabla\["MAE"\]).rename("RMSE / MAE").round(2).to\_frame() Tabla 2: Cociente RMSE / MAE por modelo   RMSE / MAE Media 1.26 Mediana 1.34 Lineal 1.39 GB (cuadrática) 1.49 GB (absoluta) 1.58 |
| --- |

**El cociente RMSE/MAE dice dónde está el error:**

- **Cerca de 1:** todos los errores tienen el mismo tamaño. Si además son grandes, el modelo probablemente está corrido por una constante.
- **Cerca de 1.25:** errores con distribución normal (Chai & Draxler, 2014).
- **Mucho mayor:** el error se concentra en pocas observaciones.

Aquí los *gradient boosting* dan cerca de 1.5, sobre todo por las zonas truncadas en 5.0 ([Figura 2](https://docs.google.com/document/d/1KAaoljWFvga5M2M2NcnZ-waJo_4PQaLU-GcKmFycVAg/edit?tab=t.0#bookmark=id.iu2wapq62zwm)). Willmott & Matsuura (2005) critican que la RMSE mezcle el tamaño del error con su dispersión. Mirar el cociente aprovecha justamente eso.

**Usar RMSE cuando:**

- Un error grande es mucho peor que varios chicos.
- Hay que predecir la media, por ejemplo para sumar predicciones y obtener un total.
- Los valores extremos son reales e importan.

**Usar MAE cuando:**

- Cada unidad de error cuesta lo mismo.
- Hay valores atípicos o truncados que no deben dominar la evaluación.
- Hay que explicarlo fácil: “en promedio nos equivocamos por 31 000 dólares”.

## MedAE y error máximo

**MedAE** responde: “¿cuánto se equivoca el modelo en el caso típico?”. Sirve para comunicar. No sirve para elegir modelos, porque ignora la mitad de los errores.

**El error máximo** responde: “¿cuánto puede equivocarse, como mucho?”. Importa cuando hay un límite que no se puede cruzar, como una tolerancia de fabricación o una dosis. En la [Tabla 1](https://docs.google.com/document/d/1KAaoljWFvga5M2M2NcnZ-waJo_4PQaLU-GcKmFycVAg/edit?tab=t.0#bookmark=id.mvj3rjyvqouj), el modelo lineal parece razonable por su MAE, pero su error máximo es enorme: extrapola mal en zonas con valores extremos. Como depende de un solo dato, conviene acompañarlo con el percentil 95 o 99 del error.

## MAPE y RMSLE

Equivocarse por 50 000 dólares es grave en una casa de 100 000 y menor en una de 500 000. Cuando importa el error en proporción al valor, se usan métricas relativas.

**MAPE** es fácil de comunicar (“nos equivocamos un 18 %”), pero tiene dos problemas:

1. **No funciona con** y **cerca de cero:** el error se vuelve enorme o infinito.
2. **Premia predecir de menos:** quedarse corto cuesta como máximo 100 %; pasarse no tiene límite.

La [Figura 3](https://docs.google.com/document/d/1KAaoljWFvga5M2M2NcnZ-waJo_4PQaLU-GcKmFycVAg/edit?tab=t.0#bookmark=id.uqfq6b8jsscn) lo muestra: si se reducen todas las predicciones un 5–10 %, el MAPE mejora, mientras que RMSE y MAE empeoran.

factores = np.linspace(0.8, 1.2, 81)  
curvas = {  
 "RMSE": \[root\_mean\_squared\_error(y\_test, pred\_gb \* f) for f in factores\],  
 "MAE": \[mean\_absolute\_error(y\_test, pred\_gb \* f) for f in factores\],  
 "MAPE": \[mean\_absolute\_percentage\_error(y\_test, pred\_gb \* f) for f in factores\],  
 "RMSLE": \[root\_mean\_squared\_log\_error(y\_test, np.clip(pred\_gb \* f, 0, None))  
    for f in factores\],  
}  
indice\_1 = np.argmin(np.abs(factores - 1))

fig, ax = plt.subplots(figsize=(6.5, 4))  
for color, (nombre, valores) in zip(COLORES, curvas.items()):  
 relativo = np.array(valores) / valores\[indice\_1\]  
 minimo = np.argmin(relativo)  
 ax.plot(factores, relativo, color=color, lw=2, label=nombre)  
 ax.scatter(factores\[minimo\], relativo\[minimo\], s=40, color=color,  
    edgecolors="white", linewidths=1.5, zorder=3)  
ax.axvline(1, color=TEXTO, lw=0.8, ls=":")  
ax.set\_xlabel("Factor aplicado a las predicciones")  
ax.set\_ylabel("Métrica / métrica con factor 1")  
ax.legend(frameon=False, ncol=4, loc="upper center")  
ax.set\_ylim(0.9, None)  
plt.tight\_layout()  
plt.show()

| ![](https://www.ixpantia.com/hs-fs/hubfs/undefined-Nov-14-2026-03-40-52-8926-PM.png?width=704&height=429&name=undefined-Nov-14-2026-03-40-52-8926-PM.png) *Figura 3: Cada métrica al multiplicar todas las predicciones por un factor, relativa a su valor con factor 1. El punto marca el mínimo.* |
| --- |

**Antes de confiar en el MAPE, calcularlo por decil del valor real** ([Tabla 3](https://docs.google.com/document/d/1KAaoljWFvga5M2M2NcnZ-waJo_4PQaLU-GcKmFycVAg/edit?tab=t.0#bookmark=id.5o0wsomv9ww6)). Si los deciles bajos dominan, el MAPE está midiendo qué tan chicos son algunos y, no qué tan bueno es el modelo.

decil = pd.qcut(y\_test, 10, labels=False).to\_numpy()  
error\_pct = lambda pred: np.abs(pred - y\_test.to\_numpy()) / y\_test.to\_numpy()

pd.DataFrame({  
 "Rango de y": y\_test.groupby(decil).agg(lambda s: f"{s.min():.2f}–{s.max():.2f}").to\_numpy(),  
 "Mediana (constante)": pd.Series(error\_pct(predicciones\["Mediana"\])).groupby(decil).mean(),  
 "GB (cuadrática)": pd.Series(error\_pct(pred\_gb)).groupby(decil).mean(),  
}).rename\_axis("Decil").round(3)

| Tabla 3: MAPE por decil del valor real   Rango de y Mediana (constante) GB (cuadrática) Decil       0 0.15–0.81 1.948 0.417 1 0.81–1.07 0.915 0.249 2 1.07–1.33 0.503 0.199 3 1.33–1.58 0.235 0.165 4 1.58–1.80 0.073 0.139 5 1.80–2.10 0.067 0.132 6 2.10–2.41 0.203 0.129 7 2.41–2.89 0.318 0.136 8 2.89–3.76 0.452 0.134 9 3.76–5.00 0.606 0.135 |
| --- |

Aquí el decil más bajo triplica el error del resto, incluso en el mejor modelo. Con valores más cerca de cero, el efecto sería mucho mayor.

**RMSLE** también mide error relativo, pero acepta ceros (por el +1) y castiga más quedarse corto que pasarse.

**Usar MAPE cuando** y es siempre claramente positiva y se necesita un porcentaje para comunicar. Hay que tener en cuenta que tiende a premiar predicciones bajas.

**Usar RMSLE cuando** y abarca varios órdenes de magnitud, puede valer cero y quedarse corto es peor que pasarse, como al estimar demanda.

## Error mediano y tasa de acierto

Cuando alguien mira una predicción por vez, la pregunta es “¿con qué frecuencia acierta?”. Dos números la responden:

- **Error porcentual mediano (MdAPE):** el error del caso típico.
- **% de predicciones dentro de ±20 %:** por ejemplo, “7 de cada 10 predicciones caen a menos de 20 % del valor real”.

Conviene usarlos juntos: dos modelos pueden tener el mismo error mediano y distinta tasa de acierto.

pd.DataFrame({  
 nombre: {  
  "MdAPE": np.median(error\_pct(pred)),  
  "Dentro de ±10 %": np.mean(error\_pct(pred) \<= 0.10),  
  "Dentro de ±20 %": np.mean(error\_pct(pred) \<= 0.20),  
 }  
 for nombre, pred in predicciones.items()  
}).T.round(3)

| Tabla 4: Error porcentual mediano y tasa de acierto   MdAPE Dentro de ±10 % Dentro de ±20 % Media 0.389 0.131 0.266 Mediana 0.367 0.143 0.280 Lineal 0.230 0.240 0.448 GB (cuadrática) 0.120 0.427 0.697 GB (absoluta) 0.316 0.454 0.714 |
| --- |

El umbral (±10 %, ±20 %) no sale de los datos: lo define el negocio.

## Modelos de cuantil

A veces es mejor pasarse que quedarse corto, por ejemplo para no quedarse sin stock. Para eso se entrena un modelo que predice un **cuantil alto**, como el 0.8: un valor que el real no supera en el 80 % de los casos.

Ese modelo **siempre pierde en MAE**, porque el MAE premia la mediana ([Tabla 5](https://docs.google.com/document/d/1KAaoljWFvga5M2M2NcnZ-waJo_4PQaLU-GcKmFycVAg/edit?tab=t.0#bookmark=id.5rymsz0z859)). Se evalúa con:

- **Pérdida pinball** para el cuantil τ:

Lτ = 1 n n ∑ 𝑖 = 1 max(τ(y𝑖−y^𝑖),(τ−1)(y𝑖−y^𝑖))

- **Cobertura:** qué proporción de valores reales queda por debajo de la predicción. Debería estar cerca de τ.

cuantil = HistGradientBoostingRegressor(loss="quantile", quantile=0.8, random\_state=42)  
pred\_cuantil = cuantil.fit(X\_train, y\_train).predict(X\_test)

pd.DataFrame({  
 nombre: {  
  "MAE": mean\_absolute\_error(y\_test, pred),  
  "Pinball (tau = 0.8)": mean\_pinball\_loss(y\_test, pred, alpha=0.8),  
  "Cobertura": np.mean(y\_test \<= pred),  
 }  
 for nombre, pred in {  
  "GB (cuadrática)": pred\_gb,  
  "GB (absoluta)": predicciones\["GB (absoluta)"\],  
  "GB (cuantil 0.8)": pred\_cuantil,  
 }.items()  
}).T.round(3)

| Tabla 5: El modelo de cuantil 0.8 pierde en MAE, pero gana en la métrica que le corresponde   MAE Pinball (tau = 0.8) Cobertura GB (cuadrática) 0.313 0.153 0.570 GB (absoluta) 0.316 0.173 0.503 GB (cuantil 0.8) 0.413 0.127 0.780 |
| --- |

**La métrica tiene que medir lo mismo que se le pidió al modelo.**

#### *R²*

El *R²* no dice cuánto se equivoca el modelo. Dice cuánto mejora respecto a predecir la media. Por eso **depende de cuánto varía** y **en los datos**, no solo del modelo.

Para verlo, evaluamos GB (cuadrática) solo en las zonas con valor entre 1.5 y 2.5 ([Tabla 6](https://docs.google.com/document/d/1KAaoljWFvga5M2M2NcnZ-waJo_4PQaLU-GcKmFycVAg/edit?tab=t.0#bookmark=id.3w1i5pmvj3gb)). Ahí el modelo se equivoca **menos**, pero el *R²* es **negativo**: en un rango tan estrecho, la media ya predice muy bien.

rango = (y\_test \> 1.5) & (y\_test \< 2.5)  
pd.DataFrame({  
 "Subconjunto": \["Todos", "1.5 \< y \< 2.5"\],  
 "n": \[len(y\_test), rango.sum()\],  
 "Desv. estándar de y": \[y\_test.std(), y\_test\[rango\].std()\],  
 "RMSE": \[root\_mean\_squared\_error(y\_test, pred\_gb),  
    root\_mean\_squared\_error(y\_test\[rango\], pred\_gb\[rango\])\],  
 "R²": \[r2\_score(y\_test, pred\_gb), r2\_score(y\_test\[rango\], pred\_gb\[rango\])\],  
}).round(3)

| Tabla 6: El mismo modelo en todos los datos y en un rango estrecho de y   Subconjunto n Desv. estándar de y RMSE R² 0 Todos 5160 1.150 0.466 0.836 1 1.5 \< y \< 2.5 1826 0.289 0.360 -0.544 |
| --- |

**Usar** *R²* para comparar modelos sobre los mismos datos. Un *R²* cercano a cero o negativo es una alarma.

**No usar** *R²* para comparar entre datasets ni para decidir si un modelo alcanza. Un *R²* de 0.84 puede ser excelente o insuficiente según cuánto cueste cada error.

*R²* **ajustado y RSE** sirven cuando se evalúa con los datos de entrenamiento. Con un conjunto de prueba aparte, dan casi lo mismo que *R²* y RMSE.

## Resumen

| Si lo que importa es… | Usar | Evitar |
| --- | --- | --- |
| Castigar fuerte los errores grandes | RMSE | MAE, MedAE |
| Que cada unidad de error cueste lo mismo | MAE | RMSE |
| Robustez ante atípicos o datos truncados | MAE, MedAE | RMSE, MaxError |
| Predecir la media para sumar predicciones | RMSE | MAE, MAPE |
| Un límite que no se puede cruzar | MaxError, percentil 95/99 | MAE |
| Error relativo en % | MAPE (con y lejos de 0) | RMSE |
| Error relativo con ceros o varios órdenes de magnitud | RMSLE | MAPE |
| Que quedarse corto sea peor que pasarse | RMSLE | MAPE |
| Comunicar a alguien no técnico | MdAPE + % dentro de ±X % | *R²*, RMSE |
| Predecir un cuantil | Pinball, cobertura | MAE, RMSE |
| Saber si el error está en pocas observaciones | Cociente RMSE / MAE | Una sola de las dos |
| Cuánto mejora el modelo sobre la media | *R²* | — |
| Comparar entre datasets o decidir si alcanza | Métrica en unidades de y | *R²* |

**Reportar siempre más de una métrica:** la que refleja el costo real del error y otra que muestre lo que la primera esconde.

---

### Referencias

- Bruce, P., Bruce, A., & Gedeck, P. (2020). *Practical Statistics for Data Scientists* (2.ª ed.). O’Reilly.
- Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature. *Geoscientific Model Development*, 7(3), 1247–1250.
- Pace, R. K., & Barry, R. (1997). Sparse spatial autoregressions. *Statistics & Probability Letters*, 33(3), 291–297.
- Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. *Climate Research*, 30(1), 79–82.

[Ciencia de Datos](https://www.ixpantia.com/es/blog/tag/ciencia-de-datos), [Machine Learning](https://www.ixpantia.com/es/blog/tag/machine-learning), [science](https://www.ixpantia.com/es/blog/tag/science), [estadísticas](https://www.ixpantia.com/es/blog/tag/estadísticas)

## Publicaciones relacionadas

[![](https://www.ixpantia.com/hs-fs/hubfs/Imported_Blog_Media/quarto_logo-1.jpg?height=200&name=quarto_logo-1.jpg)](https://www.ixpantia.com/es/blog/migrar-un-distill-blog-a-quarto?hsLang=es)

[R](https://www.ixpantia.com/es/blog/tag/r), [Mejores prácticas](https://www.ixpantia.com/es/blog/tag/mejores-pr%C3%A1cticas)

## [Migrar el blog de ixpantia de Rmarkdown Distill a Quarto](https://www.ixpantia.com/es/blog/migrar-un-distill-blog-a-quarto?hsLang=es)

![Imagen de Frans van Dunné](https://www.ixpantia.com/hs-fs/hubfs/frans-van-dunne-square-900.jpg?width=50&name=frans-van-dunne-square-900.jpg) [Frans van Dunné](https://www.ixpantia.com/es/blog/author/frans-van-dunne) 

 Aug 30, 2023, 8:23:20 AM

[Más información](https://www.ixpantia.com/es/blog/migrar-un-distill-blog-a-quarto?hsLang=es)

[![](https://www.ixpantia.com/hs-fs/hubfs/habilidades%20en%20datos.png?height=200&name=habilidades%20en%20datos.png)](https://www.ixpantia.com/es/blog/databetismo-o-data-literacy-la-habilidad-de-trabajar-con-datos?hsLang=es)

[Mejores prácticas](https://www.ixpantia.com/es/blog/tag/mejores-pr%C3%A1cticas), [Datos y Analítica](https://www.ixpantia.com/es/blog/tag/datos-y-anal%C3%ADtica), [Estrategia](https://www.ixpantia.com/es/blog/tag/estrategia)

## [Databetismo o Data Literacy: La habilidad de trabajar con datos](https://www.ixpantia.com/es/blog/databetismo-o-data-literacy-la-habilidad-de-trabajar-con-datos?hsLang=es)

![Imagen de Rocío Echeverría](https://www.ixpantia.com/hs-fs/hubfs/1000147030.jpg?width=50&name=1000147030.jpg) [Rocío Echeverría](https://www.ixpantia.com/es/blog/author/roc%C3%ADo-echeverr%C3%ADa) 

 Sep 29, 2023, 3:45:27 PM

Las habilidades en datos conforman uno de los ejes que evaluamos en ixpantia para determinar el...

[Más información](https://www.ixpantia.com/es/blog/databetismo-o-data-literacy-la-habilidad-de-trabajar-con-datos?hsLang=es)

[![](https://www.ixpantia.com/hs-fs/hubfs/Imported_Blog_Media/innovation_light-1.jpg?height=200&name=innovation_light-1.jpg)](https://www.ixpantia.com/es/blog/cultura-de-innovacion?hsLang=es)

[IBD](https://www.ixpantia.com/es/blog/tag/ibd), [Mejores prácticas](https://www.ixpantia.com/es/blog/tag/mejores-pr%C3%A1cticas), [5 Ejes DATA](https://www.ixpantia.com/es/blog/tag/5-ejes-data)

## [Cultura de Innovación](https://www.ixpantia.com/es/blog/cultura-de-innovacion?hsLang=es)

![Imagen de Rocío Echeverría](https://www.ixpantia.com/hs-fs/hubfs/1000147030.jpg?width=50&name=1000147030.jpg) [Rocío Echeverría](https://www.ixpantia.com/es/blog/author/roc%C3%ADo-echeverr%C3%ADa) 

 Aug 30, 2023, 8:22:21 AM

[Más información](https://www.ixpantia.com/es/blog/cultura-de-innovacion?hsLang=es)

[Mantente al tanto con nuestras actualizaciones!](https://www.linkedin.com/company/ixpantia/) [Síguenos en Facebook](https://www.youtube.com/@ixpantia) [experiencia ixpantia](https://www.instagram.com/ixpantia_es) [facebook-f icon](https://www.facebook.com/ixpantia/)

Esto es un campo de búsqueda con una función de texto predictivo.

- No hay sugerencias porque el campo de búsqueda está vacío.

- [Nosotros](https://www.ixpantia.com/es/nosotros)
- [Prácticas](https://www.ixpantia.com/es) 
    - [Ciencia y metodología](https://www.ixpantia.com/es/ciencia-metodologia)
    - [Adopción y Madurez Analítica](https://www.ixpantia.com/es/adopcion-madurez)
    - [Ingeniería y Arquitectura](https://www.ixpantia.com/es/ingenieria-arquitectura)
- [Industrias](https://www.ixpantia.com/industrias)
- [Contenido](https://www.ixpantia.com/es/contenido) 
    - [Eventos](https://www.ixpantia.com/es/eventos)
    - [Blog](https://www.ixpantia.com/es/blog)
    - [Data Latam - Podcast](https://www.datalatam.com/)
    - [GitHub](https://github.com/ixpantia)
- [Contacto](https://www.ixpantia.com/es/contacto) 
    - [Contacto](https://www.ixpantia.com/es/contacto)
    - [Talento](https://www.ixpantia.com/es/trabaja-con-nosotros)

Copyright © 2026, ixpantia

[hola@ixpantia.com](mailto:hola@ixpantia.com) 

```json
{
  "@context" : "https://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "Max Baldiviezo",
    "url" : "https://www.ixpantia.com/es/blog/author/max-baldiviezo"
  },
  "dateModified" : "2026-11-17T18:27:54.434Z",
  "datePublished" : "2026-11-17T16:16:28.000Z",
  "headline" : "Más allá del R²: métricas que importan en modelos de regresión",
  "image" : [ "https://www.ixpantia.com/hubfs/Banners%20blogs%20(1).png" ],
  "mainEntityOfPage" : {
    "@id" : "https://www.ixpantia.com/es/blog/metricas-modelos-regresion",
    "@type" : "WebPage"
  },
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "url" : "https://www.ixpantia.com/hubfs/ixpantia-logo-1.svg"
    },
    "name" : "ixpantia"
  }
}
```