Cómo Construir Su Portafolio Definitivo de Data Science
Apr 30, 202011 minutes read
"Voy a construir un rastreador de fitness para analizar mis métricas de fitness/nutrición"
"Tengo estos dashboards de Tableau en los que he trabajado. No tengo un plan, sólo por diversión"
Hace unos días, tuve una charla con un científico de datos e ingeniero de machine learning de una startup de renombre. Como profesional que acaba de terminar sus estudios, es ambicioso y entusiasta. Me pidió una reunión en Google y escribió todo lo que hablamos. Estaba muy entusiasmado por compartir sus proyectos de Data Science y dispuesto a leer cualquier libro técnico interesante que le permitiera salir adelante en sus competiciones de "kaggle" y sus empleos secundarios.
Si eso te recuerda a ti mismo o a tus amigos aspirantes a científicos de datos, no estás solo. De hecho, he encontrado muchos colegas junior y profesionales en la industria de datos y tecnología que consistentemente usan su tiempo libre/fin de semana para construir sus portafolios. El Data Science es una industria que se mueve rápidamente con tendencias que evolucionan incluso cada mes. Tu elección es construir o perder con tus compañeros en términos de portafolio
“Pero, ¿se ha preguntado: "¿Es este el enfoque correcto?"
No me malinterprete, admiro hablar con él y su entusiasmo ilimitado para construir sus proyectos. Compartió sus interesantes experiencias de aprendizaje y no tengo dudas de que aprenderá mucho más. Pero de alguna manera la forma en que promovió sus complejas habilidades técnicas con sus proyectos secundarios no tiene sentido para mí.
“Les faltan impactos.”
Construir cosas que importan en tiempo limitado
Si tenemos tiempo para trabajar en mejorar nuestro portafolio. ¿Por qué dedicamos la mayor parte del tiempo a mostrar nuestras habilidades técnicas en lugar de los impactos que hemos logrado? ¿Por qué damos prioridad a trabajar en las competiciones de Kaggle en lugar de resolver los problemas que nuestros amigos tienen y que el análisis de datos puede resolver? ¿No sería mejor decir que ayudas a tus compañeros a ganar dinero con tu modelo de selección de acciones en lugar de estar en el puesto 30 en las competiciones de Kaggle?
Esto es exactamente lo que, en mi opinión, separa a los buenos científicos de datos de los grandes científicos de datos.
Los científicos buenos vs. los grandes científicos de datos: Construye tus productos midiendo el impacto
Un buen científico de datos tiene un gran repositorio de aprendizaje. Sabe cómo hacer dashboards hermosos. Construye mejores modelos de redes neuronales para clasificar conjuntos de datos MNIST (datasets de dígitos escritos a mano). Ejecuta algoritmos de trading altamente complejos que a una persona le llevarían años aprender.
“Esto es bueno, pero no es suficiente para generar impactos.”
Por lo tanto, un gran científico de datos utiliza sus dashboards para construir fórmulas de predicción para detener la propagación del Coronavirus a millones de personas. Un gran científico de datos utiliza su modelo de redes neuronales para clasificar los ataques de phishing para proteger a millones de usuarios de los secuestros de datos. Naturalmente, un gran científico de datos tiene audiencias, productos e impactos en su portafolio.
Tus productos serán su portafolio definitivo
Cuando comunique sus productos como un portafolio, se convertirá en un Experto en la materia (Subject Matter Expert) independientemente de su formación académica. En consecuencia, los reclutadores de recursos humanos de Analytics te buscarán a ti en lugar de que tú los busques a ellos. Cuando vayas a las entrevistas, tendrás historias emocionantes que contar, más que lista aburrida de habilidades técnicas y certificados que tienes.
“Construya su portafolio definitivo construyendo sus productos, conozca a sus audiencias y genere impactos.”
Tres claves para construir su portafolio definitivo
1. Apuntar a soluciones simples con impacto para sus audiencias
Quién es su audiencia. Esa siempre es la primera pregunta que debe hacerse (Unsplash)
El peligro surge cuando estás más interesado en construir tus habilidades que en construir tu público. Déjenme poner como ejemplo al sujeto del encabezado principal de nuestra historia. Planeó construir un rastreador de fitness para analizar sus propias métricas de fitness/nutrición. Grandes proyectos, pero sin impacto en nadie más que en sí mismo.
Del mismo modo, muchos aspirantes a científicos de datos/colegas junior que conozco sólo se enfocan en construir modelos complejos pero no aportan valor a su público. En el concurso de Netflix, el equipo ganador no tuvo en cuenta los esfuerzos de ingeniería necesarios para implementar su modelo de recomendación. Aunque ganaron con una precisión asombrosa, su solución es demasiado compleja. Como resultado, Netflix desperdició un millón de dólares para premiar un modelo de machine learning que no pudo adoptar.
Del mismo modo, debe construir sus productos teniendo en mente las necesidades de su público. Esto lo obligaría a construir un inventario de iniciativas de análisis de datos más realista. Usted analiza problemas reales de negocio, extrae datos sucios, limpia los datos, hace ingeniería de características, diseña, despliega y mantiene el modelo.
En la universidad y otras certificaciones tipo MOOC, normalmente, la formulación del problema y el dataset limpio es entregado. Por lo tanto, construir soluciones para audiencias reales sería más desafiante. Pero, a largo plazo, recibirá la satisfacción de construir productos que importan. Durante las entrevistas de trabajo para ciencia de datos, usted tendrá cantidad de historias para promocionar su proyecto real en lugar de presumir de sus habilidades técnicas y competiciones de Kaggle.
2. Construir soluciones de su área de conocimiento
He hablado con muchos principiantes y profesionales que se están pasando de diferentes industrias a la industria de datos/tecnología. Hablé con una señora que se matriculó en la Universidad Nacional de Singapur (NUS), doctora en química y vino a pedirme consejo para trabajar como científico de datos en una industria tecnológica.
Ella nunca ha trabajado en la industria tecnológica pero quería aprender Python y desarrollar sus habilidades de programación desde cero.
Mientras es admirable que la gente salte valientemente a otro expertise, yo le advertí fuertemente de las desventajas de esto sin un plan sólido. Después de todo, ¿qué clase de ventaja tendría ella comparada con los miles de graduados en Ciencias de la Computación o Analítica de Negocios que han cursado 4 años de estudios? ¿Cómo va a ponerse al día con las habilidades y competir cuando ya hay tantas expectativas en el análisis de datos?
“Este es un gran salto de fe”
Por lo tanto, le sugerí que siga con sus estudios de química. Le sugerí que fuera la mejor química primero y que se aventurara en el análisis después. ¿Por qué? Porque no necesita empezar de cero. Ella ya tiene una gran ventaja, en su campo de dominio que es la química y podría aprender solo las habilidades analíticas necesarias para construir productos químicos y demostrar sus capacidades. Ella no debería tirar a la basura sus conocimientos. Debería usarlos como una plataforma para encontrar su lugar en la analítica.
Del mismo modo, si eres un estudiante de finanzas, construye una herramienta de investigación de acciones. Si es un estudiante de gestión de operaciones o de ingeniería industrial, construya herramientas de optimización de six sigma. Eso le permite aprovechar su conocimiento existente para crear un trabajo de análisis de datos más significativo de que si comienza a aprender analítica desde cero desde el primer día.
Idealmente, debería alcanzar la proporción de Pareto, la mayor parte del trabajo de análisis de datos es solucionable usando modelos simples como la regresión lineal y el árbol de decisión. Si usa correctamente su conocimiento en su área de dominio, el 20% de su esfuerzo debería crear ya el 80% de impacto.
3. Despliegue y comunique sus soluciones
Mi presentación sobre modelos de redes neuronales convolucionales para Data Science Singapur en Google
Si quieres convertirte en un gran científico de datos, tendrás que publicar tu trabajo.
Abre tus soluciones para que otras personas las usen. Deja que la gente contribuya a tu Github. Escribe y habla sobre ello. Cuanta más gente encuentre valor en tu trabajo, más probable será que difundan tus productos. En el futuro, te sumergiras en la construcción de tu portafolio y marcas personales mientras educas a otros aparte de tu trabajo profesional.
En mi caso, normalmente uso Github para que la gente acceda a mis códigos y al aprendizaje online, Youtube/Medium para comunicar mis pensamientos por escrito y en vídeos, y finalmente Heroku para lanzar mis aplicaciones en Python. Recibí ingresos y tráfico de mis soluciones que refuerzan el valor de mi conocimiento para beneficiar a otros. Posteriormente, construí productos me permitieron asumir la propiedad de mi trabajo mientras construía mi marca personal e historias.
Conclusión
Si lo haces bien, tendrás muchos beneficios. Primero, construirías tu portafolio y te divertirás al ver los impactos que haces. Segundo, promoverás tu personal branding y la visibilidad en línea para oportunidades de trabajo y conferencias. Por último, te capacitaste para escribir y contar historias para inspirar acciones en tus audiencias. Todos estos beneficios te abrirán oportunidades para convertirte en un gran científico de datos.
En resumen, para lograr estos resultados, necesitarás:
1. Apuntar a soluciones simples con impactos: Centrarse en la construcción de su público en lugar de sólo en la construcción de sus habilidades.
2. Construir soluciones de su área de conocimiento: No empieces desde cero para perseguir la ciencia de los datos. Aproveche sus talentos y su área de dominio para crear productos de Data Science para sus pares.
3. Despliegue y comunique sus soluciones: Despliegue y comercialice sus productos. Haga que lo utilicen muchas personas y realice un seguimiento a los impactos que hizo. Esto le proporcionará más inspiración e historias para aumentar su aprendizaje como un gran científico de datos.
Soli Deo Gloria
Finalmente...
Espero que esta haya sido una gran lectura y una fuente de inspiración para que desarrolles e innoves.
Por favor, comenten a continuación sugerencias y comentarios. Al igual que usted, todavía estoy aprendiendo a ser un mejor científico de datos e ingeniero. Por favor, ayúdame a mejorar para que pueda ayudarte mas en mis siguientes publicaciones de artículos.
Gracias y Feliz código:)
Sobre el autor
Vincent Tatan es un entusiasta de los datos y la tecnología con experiencias de trabajo relevantes de Google LLC, Visa Inc. y Lazada en implementar arquitecturas de microservicios, inteligencia de negocios y pipelines de proyectos de analítica.
Vincent es un indonesio nativo con un historial de logros en la resolución de problemas con fortalezas en desarrollo full stack, analítica de datos y planeación estratégica.
Ha sido consultor activo de SMU BI & Analytics Club, guiando a aspirantes a científicos e ingenieros de datos de varios orígenes y abriendo su experiencia para que las empresas desarrollen sus productos.
CréditosLos modelos predictivos se han convertido en un asesor de confianza para muchas empresas y por una buena razón. Estos modelos pueden "prever el futuro", y hay muchos métodos diferentes disponibles, lo que significa que cualquier industria puede encontrar uno que se ajuste a sus retos particulares.Cuando hablamos de modelos predictivos, nos referimos a un modelo de regresión (salida continua) o a un modelo de clasificación (salida nominal o binaria). En los problemas de clasificación, utilizamos dos tipos de algoritmos (dependiendo del tipo de salida que este crea):Salida de clase: Algoritmos como Support Vector Machine y K Nearest Neighbors crean una salida de clase. Por ejemplo, en un problema de clasificación binaria, las salidas serán 0 o 1. Sin embargo, hoy en día tenemos algoritmos que pueden convertir estas salidas de clase en probabilidad.Salida de probabilidad: Algoritmos como la Regresión Logística, el Bosque Aleatorio, potenciación del Gradiente, el Adaboost, etc. dan salidas de probabilidad. Convertir las salidas de probabilidad en salidas de clase es sólo cuestión de crear un umbral de probabilidadPuedes leer más artículos de Data Science en español aquí Lea también:Tipos Claves De Regresiones: ¿Cuál Usar?IntroducciónSi bien la preparación de los datos y el entrenamiento de un modelo de aprendizaje de máquina es un paso clave en el proceso de aprendizaje automático, es igualmente importante medir el rendimiento de este modelo entrenado. Lo bien que el modelo generaliza sobre los datos no vistos es lo que define los modelos de aprendizaje automático adaptables frente a los no adaptables.Al utilizar diferentes métricas para la evaluación del rendimiento, deberíamos estar en posición de mejorar el poder de predicción general de nuestro modelo antes de que lo pongamos en marcha para la producción sobre datos no vistos antes.Si no se realiza una evaluación adecuada del modelo aprendizaje automático utilizando diferentes métricas, y se usa sólo la precisión, puede darse un problema cuando el modelo respectivo se despliega sobre datos no vistos y puede dar lugar a malas predicciones.Esto sucede porque, en casos como éste, nuestros modelos no aprenden sino que memorizan; por lo tanto, no pueden generalizar bien sobre datos no vistos.Métricas de evaluación del modeloDefinamos ahora las métricas de evaluación para valorar el rendimiento de un modelo de aprendizaje automático, que es un componente integral de cualquier proyecto de ciencia de los datos. Su objetivo es estimar la precisión de la generalización de un modelo sobre los datos futuros (no vistos/fuera de muestra).Matriz de confusiónUna matriz de confusión es una representación matricial de los resultados de las predicciones de cualquier prueba binaria que se utiliza a menudo para describir el rendimiento del modelo de clasificación (o "clasificador") sobre un conjunto de datos de prueba cuyos valores reales se conocen.La matriz de confusión es relativamente sencilla de comprender, pero la terminología relacionada puede ser confusa.Matriz de confusión con 2 etiquetas de clase.Cada predicción puede ser uno de cuatro resultados, basado en cómo coincide con el valor real:Verdadero Positivo (TP): Predicho Verdadero y Verdadero en realidad.Verdadero Negativo (TN): Predicho Falso y Falso en realidad.Falso Positivo (FP): Predicción de verdadero y falso en la realidad.Falso Negativo (FN): Predicción de falso y verdadero en la realidad.Ahora entendamos este concepto usando la prueba de hipótesis.Lea también:Falsos Positivos Vs. Falsos Negativos Una hipótesis es una especulación o teoría basada en pruebas insuficientes que se presta a más pruebas y experimentación. Con más pruebas, una hipótesis puede ser probada como verdadera o falsa.Una Hipótesis Nula es una hipótesis que dice que no hay significancia estadística entre las dos variables de la hipótesis. Es la hipótesis que el investigador está tratando de refutar.Siempre rechazamos la hipótesis nula cuando es falsa, y aceptamos la hipótesis nula cuando es realmente verdadera.Aunque las pruebas de hipótesis se supone que son fiables, hay dos tipos de errores que pueden ocurrir.Estos errores se conocen como errores de Tipo I y Tipo II.Por ejemplo, cuando se examina la eficacia de una droga, la hipótesis nula sería que la droga no afecta a una enfermedad.Error de Tipo I: equivalente a los Falsos Positivos(FP).El primer tipo de error posible implica el rechazo de una hipótesis nula que es verdadera.Volvamos al ejemplo de una droga que se utiliza para tratar una enfermedad. Si rechazamos la hipótesis nula en esta situación, entonces afirmamos que la droga tiene algún efecto sobre una enfermedad. Pero si la hipótesis nula es cierta, entonces, en realidad, la droga no combate la enfermedad en absoluto. Se afirma falsamente que la droga tiene un efecto positivo en una enfermedad.Error de tipo II:- equivalente a Falsos Negativos(FN).El otro tipo de error que ocurre cuando aceptamos una hipótesis falsa nula. Este tipo de error se llama error de tipo II y también se conoce como error de segundo tipo.Si pensamos de nuevo en el escenario en el que estamos probando una droga, ¿cómo sería un error de tipo II? Un error de tipo II ocurriría si aceptáramos que la droga no tiene efecto sobre la enfermedad, pero en realidad, sí lo tiene.Un ejemplo de la implementación Python de la matriz de confusión.Puedes leer más artículos de Data Science en español aquí import warningsimport pandas as pdfrom sklearn import model_selectionfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import confusion_matriximport matplotlib.pyplot as plt%matplotlib inline #ignore warningswarnings.filterwarnings('ignore')# Load digits dataseturl = "http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"df = pd.read_csv(url)# df = df.valuesX = df.iloc[:,0:4]y = df.iloc[:,4]#test sizetest_size = 0.33#generate the same set of random numbersseed = 7#Split data into train and test set. X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=test_size, random_state=seed)#Train Modelmodel = LogisticRegression()model.fit(X_train, y_train)pred = model.predict(X_test)#Construct the Confusion Matrixlabels = ['Iris-setosa', 'Iris-versicolor', 'Iris-virginica']cm = confusion_matrix(y_test, pred, labels)print(cm)fig = plt.figure()ax = fig.add_subplot(111)cax = ax.matshow(cm)plt.title('Confusion matrix')fig.colorbar(cax)ax.set_xticklabels([''] + labels)ax.set_yticklabels([''] + labels)plt.xlabel('Predicted Values')plt.ylabel('Actual Values')plt.show()Matriz de confusión con 3 etiquetas de clase.Los elementos diagonales representan el número de puntos para los cuales la etiqueta predicha es igual a la etiqueta verdadera, mientras que cualquier cosa fuera de la diagonal fue mal etiquetada por el clasificador. Por lo tanto, cuanto más altos sean los valores diagonales de la matriz de confusión, mejor, indicando muchas predicciones correctas.En nuestro caso, el clasificador predijo perfectamente las 13 plantas de setosa y 18 de virginica en los datos de prueba. Sin embargo, clasificó incorrectamente 4 de las plantas versicolor como virginica.También hay una lista de tasas que a menudo se calculan a partir de una matriz de confusión para un clasificador binario:1. ExactitudEn general, ¿con qué frecuencia es correcto el clasificador?Exactitud = (TP+TN)/totalCuando nuestras clases son aproximadamente iguales en tamaño, podemos usar la precisión, que nos dará valores clasificados correctamente.La precisión es una métrica de evaluación común para los problemas de clasificación. Es el número de predicciones correctas hechas como una proporción de todas las predicciones hechas.Tasa de clasificación errónea (Tasa de error): En general, con qué frecuencia se equivoca. Dado que la exactitud es el porcentaje que clasificamos correctamente (tasa de éxito), se deduce que nuestra tasa de error (el porcentaje en que nos equivocamos) puede calcularse de la siguiente manera:Tasa de clasificación errónea = (FP+FN)/total#import modulesimport warningsimport pandas as pdimport numpy as npfrom sklearn import model_selectionfrom sklearn.linear_model import LogisticRegressionfrom sklearn import datasetsfrom sklearn.metrics import accuracy_score#ignore warningswarnings.filterwarnings('ignore')# Load digits datasetiris = datasets.load_iris()# # Create feature matrixX = iris.data# Create target vectory = iris.target#test sizetest_size = 0.33#generate the same set of random numbersseed = 7#cross-validation settingskfold = model_selection.KFold(n_splits=10, random_state=seed)#Model instancemodel = LogisticRegression()#Evaluate model performancescoring = 'accuracy'results = model_selection.cross_val_score(model, X, y, cv=kfold, scoring=scoring)print('Accuracy -val set: %.2f%% (%.2f)' % (results.mean()*100, results.std()))#split dataX_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=test_size, random_state=seed)#fit modelmodel.fit(X_train, y_train)#accuracy on test setresult = model.score(X_test, y_test)print("Accuracy - test set: %.2f%%" % (result*100.0))La precisión de la clasificación es del 88% en el conjunto de validación.2. PrecisiónCuando predice sí, ¿con qué frecuencia es correcto?Precisión=TP/predicciones síCuando tenemos un desequilibrio de clase, la precisión puede convertirse en una métrica poco fiable para medir nuestro desempeño. Por ejemplo, si tuviéramos una división de 99/1 entre dos clases, A y B, donde el evento raro, B, es nuestra clase positiva, podríamos construir un modelo que fuera 99% exacto con sólo decir que todo pertenece a la clase A. Claramente, no deberíamos molestarnos en construir un modelo si no hace nada para identificar la clase B; por lo tanto, necesitamos diferentes métricas que desalienten este comportamiento. Para ello, utilizamos la precisión y la sensibilidad en lugar de la exactitud.Puedes leer más artículos de Data Science en español aquí 3. ExhaustividadCuando en realidad es un sí, ¿con qué frecuencia predice un sí?Tasa positiva verdadera = TP/Si realesLa Exhaustividad nos da la tasa positiva verdadera (TPR), que es la proporción de los verdaderos positivos a todo lo positivo.En el caso de la división 99/1 entre las clases A y B, el modelo que clasifica todo como A tendría una exhaustividad del 0% para la clase positiva, B (la precisión sería indefinida - 0/0). La exhaustividad proporciona una mejor manera de evaluar el rendimiento del modelo ante un desequilibrio de clases. Nos dirá correctamente que el modelo tiene poco valor para nuestro caso de uso.Al igual que la exactitud, tanto la precisión como la exhaustividad son fáciles de calcular y comprender, pero requieren umbrales. Además, la precisión y la exhaustividad sólo consideran la mitad de la matriz de confusión:4. Puntuación F1La puntuación F1 es la media armónica de la precisión y exhaustividad, donde la puntuación de la F1 alcanza su mejor valor en 1 (precisión y exhaustividad perfectas) y el peor en 0.¿Por qué la media armónica? Dado que la media armónica de una lista de números se inclina fuertemente hacia últimos elementos de la lista, tiende (en comparación con la media aritmética) a mitigar el impacto de los grandes valores atípicos y a agravar el impacto de los pequeños.Una puntuación F1 castiga más los valores extremos. Idealmente, un puntaje F1 podría ser una métrica de evaluación efectiva en los siguientes escenarios de clasificación:Cuando los Falsos Positivos y la Falsos Negativos son igualmente costosos - lo que significa que se pasan verdaderos positivos o se encuentran falsos positivos - ambos impactan el modelo casi de la misma manera, como en nuestro ejemplo de clasificación de detección de cáncerAñadir más datos no cambia el resultado de manera efectivaLa TN es alta (como en las predicciones de inundaciones, predicciones de cáncer, etc.)Un ejemplo de implementación en Python de la puntuación F1.import warningsimport pandasfrom sklearn import model_selectionfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import log_lossfrom sklearn.metrics import precision_recall_fscore_support as score, precision_score, recall_score, f1_scorewarnings.filterwarnings('ignore')url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv"dataframe = pandas.read_csv(url)dat = dataframe.valuesX = dat[:,:-1]y = dat[:,-1]test_size = 0.33seed = 7model = LogisticRegression()#split dataX_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=test_size, random_state=seed)model.fit(X_train, y_train)precision = precision_score(y_test, pred)print('Precision: %f' % precision)# recall: tp / (tp + fn)recall = recall_score(y_test, pred)print('Recall: %f' % recall)# f1: tp / (tp + fp + fn)f1 = f1_score(y_test, pred)print('F1 score: %f' % f1)Puedes leer más artículos de Data Science en español aquí 5. EspecificidadCuando es no, ¿con qué frecuencia predice el no?Tasa negativa real = TN/no realEs la verdadera tasa negativa o la proporción de verdaderos negativos a todo lo que debería haber sido clasificado como negativo.Obsérvese que, en conjunto, la especificidad y la sensibilidad consideran la matriz de confusión completa:6. Curva de características operativas del receptor (ROC)Medir el área bajo la curva ROC es también un método muy útil para evaluar un modelo. Al trazar la tasa positiva verdadera (sensibilidad) frente a la tasa de falsos positivos (1 - especificidad), obtenemos la curva de Característica Operativa del Receptor (ROC). Esta curva nos permite visualizar el equilibrio entre la tasa de verdaderos positivos y la tasa falsos positivosLos siguientes son ejemplos de buenas curvas ROC. La línea discontinua sería una suposición aleatoria (sin valor predictivo) y se utiliza como línea de base; cualquier cosa por debajo de eso se considera peor que una suposición. Queremos estar hacia la esquina superior izquierda:Una ejemplo de implementación en Python de las curvas ROC#Classification Area under curveimport warningsimport pandasfrom sklearn import model_selectionfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import roc_auc_score, roc_curvewarnings.filterwarnings('ignore')url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv"dataframe = pandas.read_csv(url)dat = dataframe.valuesX = dat[:,:-1]y = dat[:,-1]seed = 7#split dataX_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=test_size, random_state=seed)model.fit(X_train, y_train)# predict probabilitiesprobs = model.predict_proba(X_test)# keep probabilities for the positive outcome onlyprobs = probs[:, 1]auc = roc_auc_score(y_test, probs)print('AUC - Test Set: %.2f%%' % (auc*100))# calculate roc curvefpr, tpr, thresholds = roc_curve(y_test, probs)# plot no skillplt.plot([0, 1], [0, 1], linestyle='--')# plot the roc curve for the modelplt.plot(fpr, tpr, marker='.')plt.xlabel('False positive rate')plt.ylabel('Sensitivity/ Recall')# show the plotplt.show()En el ejemplo anterior, la AUC está relativamente cerca de 1 y es mayor de 0,5. Un clasificador perfecto hará que la curva ROC vaya a lo largo del eje Y y luego a lo largo del eje X.7. Pérdida logarítmicaLa pérdida logarítmica es la métrica de clasificación más importante basada en probabilidades.A medida que la probabilidad predicha de la clase verdadera se acerca a cero, la pérdida aumenta exponencialmente:Mide el desempeño de un modelo de clasificación en el que la entrada de la predicción es un valor de probabilidad entre 0 y 1. La pérdida logarítmica aumenta a medida que la probabilidad predicha se aleja de la etiqueta real. El objetivo de cualquier modelo de aprendizaje automático es minimizar este valor. Por lo tanto, una pérdida logarítmica menor es mejor, con un modelo perfecto teniendo una pérdida logarítmica de 0.Una muestra de la implementación en Python de la pérdida logarítmica#Classification LogLossimport warningsimport pandasfrom sklearn import model_selectionfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import log_losswarnings.filterwarnings('ignore')url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv"dataframe = pandas.read_csv(url)dat = dataframe.valuesX = dat[:,:-1]y = dat[:,-1]seed = 7#split dataX_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=test_size, random_state=seed)model.fit(X_train, y_train)#predict and compute loglosspred = model.predict(X_test)accuracy = log_loss(y_test, pred)print("Logloss: %.2f" % (accuracy))Logloss: 8.02Puedes leer más artículos de Data Science en español aquí 8. Índice JaccardEl índice Jaccard es una de las formas más simples de calcular y averiguar la exactitud de un modelo de clasificación de aprendizaje automático. Entendamoslo con un ejemplo. Supongamos que tenemos un conjunto de pruebas etiquetadas, con etiquetas como -y = [0,0,0,0,0,1,1,1,1,1]Y nuestro modelo ha predicho las etiquetas como…y1 = [1,1,0,0,0,1,1,1,1,1]El anterior diagrama de Venn nos muestra las etiquetas del conjunto de pruebas y las etiquetas de las predicciones, y su intersección y unión.El índice Jaccard o coeficiente de similitud Jaccard es una estadística utilizada para comprender las similitudes entre los conjuntos de muestras. La medición enfatiza la similitud entre conjuntos de muestras finitas y se define formalmente como el tamaño de la intersección dividido por el tamaño de la unión de los dos conjuntos etiquetados, con la fórmula como -Índice Jaccard o Intersección sobre Unión(IoU)Así, para nuestro ejemplo, podemos ver que la intersección de los dos conjuntos es igual a 8 (ya que ocho valores se predicen correctamente) y la unión es 10 + 10-8 = 12. Por lo tanto, el índice Jaccard nos da la precisión como -Así que la precisión de nuestro modelo, según el índice Jaccard, se convierte en 0.66, o 66%.Cuanto mayor sea el índice Jaccard, mayor será la precisión del clasificador.Una muestra de implementación en Python del índice Jaccard.import numpy as npdef compute_jaccard_similarity_score(x, y): intersection_cardinality = len(set(x).intersection(set(y))) union_cardinality = len(set(x).union(set(y))) return intersection_cardinality / float(union_cardinality)score = compute_jaccard_similarity_score(np.array([0, 1, 2, 5, 6]), np.array([0, 2, 3, 5, 7, 9]))print "Jaccard Similarity Score : %s" %scorepassPuntaje de similitud Jaccard: 0.3759. Gráfico de Kolmogorov SmirnovEl gráfico K-S o Kolmogorov-Smirnov mide el rendimiento de los modelos de clasificación. Más exactamente, K-S es una medida del grado de separación entre las distribuciones positivas y negativas.La frecuencia acumulativa de las distribuciones observadas y de las hipótesis se traza en relación con las frecuencias ordenadas. La doble flecha vertical indica la máxima diferencia vertical.La K-S es 100 si las puntuaciones dividen la población en dos grupos separados en los que un grupo contiene todos los positivos y el otro todos los negativos. Por otra parte, si el modelo no puede diferenciar entre los positivos y los negativos, entonces es como si el modelo seleccionara casos al azar de la población. El K-S sería 0.En la mayoría de los modelos de clasificación la K-S caerá entre 0 y 100, y cuanto más alto sea el valor mejor será el modelo para separar los casos positivos de los negativos.La K-S también puede utilizarse para comprobar si dos distribuciones de probabilidad unidimensionales subyacentes difieren. Es una forma muy eficiente de determinar si dos muestras son significativamente diferentes entre sí.Un ejemplo de la implementación en Python del Kolmogorov-Smirnov.from scipy.stats import kstest import random # N = int(input("Enter number of random numbers: ")) N = 10 actual =[] print("Enter outcomes: ") for i in range(N): # x = float(input("Outcomes of class "+str(i + 1)+": ")) actual.append(random.random()) print(actual) x = kstest(actual, "norm") print(x)La hipótesis nula utilizada aquí asume que los números siguen la distribución normal. Devuelve estadísticas y valor p. Si el valor p es < alfa, rechazamos la hipótesis Nula.Alfa se define como la probabilidad de rechazar la hipótesis nula dado que la hipótesis nula(H0) es verdadera. Para la mayoría de las aplicaciones prácticas, se elige alfa como 0,05.Puedes leer más artículos de Data Science en español aquí 10. Gráfico de ganancia y elevaciónLa ganancia o el levantamiento es una medida de la eficacia de un modelo de clasificación calculado como la relación entre los resultados obtenidos con y sin el modelo. Los gráficos de ganancia y elevación son ayudas visuales para evaluar el rendimiento de los modelos de clasificación. Sin embargo, en contraste con la matriz de confusión que evalúa los modelos en toda la población, el gráfico de ganancia o elevación evalúa el rendimiento del modelo en una porción de la población.Cuanto mayor sea la elevación (es decir, cuanto más lejos esté de la línea de base), mejor será el modelo.El siguiente gráfico de ganancias, ejecutado en un conjunto de validación, muestra que con el 50% de los datos, el modelo contiene el 90% de los objetivos, la adición de más datos añade un aumento insignificante en el porcentaje de objetivos incluidos en el modelo.Gráfico de ganancia/elevaciónLos gráficos de elevación suelen presentarse como un gráfico de ascenso acumulativo, que también se conoce como gráfico de ganancias. Por lo tanto, los gráficos de ganancias a veces se denominan (quizás de forma confusa) "gráficos de elevación", pero son más exactos como gráficos de ascenso acumulativo.Uno de sus usos más comunes es en el marketing, para decidir si vale la pena llamar a un posible cliente.11. Coeficiente de GiniEl coeficiente de Gini o Índice de Gini es una métrica popular para los valores de clase desequilibrados. El coeficiente oscila entre 0 y 1, donde 0 representa la igualdad perfecta y 1 la desigualdad perfecta. Aquí, si el valor de un índice es mayor, entonces los datos estarán más dispersos.El coeficiente de Gini puede calcularse a partir del área bajo la curva ROC usando la siguiente fórmula:Coeficiente de Gini = (2 * curva_ROC) - 1Puedes leer más artículos de Data Science en español aquí ConclusiónComprender lo bien que un modelo de aprendizaje automático va a funcionar con datos no vistos es el propósito final de trabajar con estas métricas de evaluación. Métricas como la exactitud, la precisión, la exhaustividad son buenas formas de evaluar los modelos de clasificación para conjuntos de datos equilibrados, pero si los datos están desequilibrados y hay una disparidad de clases, entonces otros métodos como el ROC/AUC, el coeficiente de Gini funcionan mejor en la evaluación del rendimiento del modelo.Bueno, esto concluye este artículo. Espero que hayan disfrutado de su lectura, no duden en compartir sus comentarios/pensamientos/opiniones en la sección de comentarios.Gracias por leerlo!!!
Juan Guillermo Gómez Ramírez
Apr 30, 2020
Join our private community in Discord
Keep up to date by participating in our global community of data scientists and AI enthusiasts. We discuss the latest developments in data science competitions, new techniques for solving complex challenges, AI and machine learning models, and much more!
