La Inteligencia Artificial se ha hecho cargo de muchas de nuestras tareas mundanas y nos ha facilitado la vida en el proceso. El mérito de esto se debe a la insana cantidad de investigación y dedicación de los investigadores, científicos de datos y desarrolladores para reunir, estudiar y transformar los datos. No sólo el sector tecnológico, sino todo tipo de industrias se han beneficiado de estos avances. Nada de esto hubiera sido posible sin el desarrollo y las mejoras en las herramientas de trabajo.
Principales herramientas de ciencias de datos para aprender en el 2020
Cuando digo "ciencia de datos", me refiero a la recopilación de herramientas que convierten los datos en acciones del mundo real. Estas incluyen el aprendizaje automático, tecnologías de bases de datos, estadísticas, programación y tecnologías específicas.
Con las mejoras en las herramientas existentes y la entrada de otras nuevas en la escena de la Ciencia de Datos, muchas tareas se han vuelto realizables, que antes eran demasiado intrincadas o inmanejables. La idea central detrás de estas herramientas es unir el análisis de datos, el aprendizaje automático, la estadística y los conceptos relacionados para sacar el máximo provecho de los datos. Estas herramientas son críticas para cualquiera que quiera sumergirse en el mundo de la Ciencia de Datos, y elegir las herramientas adecuadas puede marcar una gran diferencia.
Apache Hadoop
Software de código abierto para una computación confiable, distribuida y escalable.
Hadoop — Open source software for reliable, distributed, scalable computing(source)
Apache Hadoop es un software de código abierto de la Fundación de Software Apache autorizado bajo la Licencia Apache 2.0. Al utilizar el procesamiento paralelo en grupos de nodos, facilita la resolución de problemas computacionales complejos y tareas intensivas de datos. Hadoop lo hace dividiendo archivos grandes en trozos y enviándolos a los nodos con instrucciones. Los componentes que ayudan a Hadoop a lograr una mayor eficiencia y un procesamiento más fluido son:
Hadoop Common ofrece librerías estándar y funciones para los subsistemas
Hadoop Distributed File System proporciona el sistema de archivos y el mecanismo para dividir y distribuir los trozos
Hadoop YARN programa los trabajos y gestiona los grupos
Hadoop MapReduce para manejar el procesamiento paralelo
Acelera el rendimiento de los discos hasta 10 veces por proyecto
Se integra con aplicaciones externas y soluciones de software sin problemas
SaS
Convierte los datos en conocimientos
Abreviatura de Statistical Analysis System, SAS es una herramienta estadística desarrollada por el Instituto SAS. Es una de las herramientas de análisis de datos más antiguas disponibles. La última versión estable v9.4m6 fue lanzada en noviembre de 2018. Las principales características que ofrece SAS son:
Facil de aprender con un montón de tutoriales disponibles
Un conjunto de herramientas bien dotadas
Simple pero poderoso GUI
Análisis granular del contenido textual
Apoyo técnico continuo y dedicado
Informes visualmente atractivos
Identificación de errores ortográficos y gramaticales para un análisis más preciso
SAS le permite extraer, alterar, gestionar y recuperar datos de varias áreas. Junto con SQL, SAS se convierte en una herramienta extremadamente eficiente para el acceso y análisis de datos. SAS ha crecido hasta convertirse en un conjunto de herramientas que sirven para varios propósitos, algunas de estas áreas son:
Minería de datos
Análisis estadístico
Aplicaciones de Inteligencia de Negocios
Análisis de ensayos clínicos
Econometría y análisis de series temporales
Tableau
La herramienta más potente y de más rápido crecimiento para la visualización de datos
Tableau es una notable herramienta de visualización de datos que fue recientemente adquirida por Salesforce, uno de los principales CRM empresariales del mundo. Centrado en proporcionar una representación clara de los datos en un período corto, Tableau puede ayudar en la toma de decisiones más rápida. Para ello utiliza cubos de procesamiento analítico en línea, bases de datos en nube, hojas de cálculo y bases de datos relacionales.
La naturaleza conveniente de Tableau te permite concentrarte en las estadísticas en lugar de preocuparte por su configuración. Comenzar es tan fácil como arrastrar y soltar un conjunto de datos en la aplicación, mientras que configurar los filtros y personalizar el conjunto de datos es pan comido.
Análisis integral de extremo a extremo
Cálculos de datos avanzados
Descubrimientos de contenido sin esfuerzo
Un sistema totalmente protegido que reduce al mínimo los riesgos de seguridad
Una interfaz de usuario receptiva que se adapta a todo tipo de dispositivos y dimensiones de pantalla
TensorFlow
Cuando se trata de la IA, el DL y el ML, TensorFlow es un nombre que oirás de una forma u otra. Ofrecido por Google, TensorFlow es una biblioteca que lo hace todo, ya sea construyendo y entrenando modelos, desplegando en diversas plataformas como computadoras, teléfonos inteligentes y servidores, para lograr el máximo potencial con recursos finitos.
Usando TensorFlow, se pueden crear modelos estadísticos, visualizaciones de datos y obtener acceso a algunas de las mejores características de clase y ampliamente utilizadas para ML y DL. La inclinación de TensorFlow hacia Python lo convierte en un poderoso lenguaje de programación para operar con números y datos almacenándolos, filtrándolos y manipulándolos para realizar cálculos numéricos distribuidos.
DataRobot
Fundado en 2012, DataRobot se denomina ahora la solución de nivel empresarial para todas sus necesidades de IA. Su objetivo es automatizar el proceso de principio a fin de construir, desplegar y mantener su IA. DataRobot puede iniciarte con unos pocos clics y hacer muchas cosas sin necesidad de que seas un profesional. DataRobot ofrece las siguientes capacidades para las necesidades de su negocio:
ML automatizado
Series de tiempo automatizadas
MLOps
Paxata
Estos pueden ser combinados o usados individualmente con otras opciones de despliegue como la Nube o en las instalaciones. Para los científicos de datos, esto les permite centrarse más en el problema en cuestión en lugar de trabajar en la configuración de las cosas.
BigML se fundó con un objetivo, hacer que la construcción y el intercambio de conjuntos de datos y modelos sea más fácil para todos, y en última instancia, hacer más fácil el aprendizaje automático. Apuntando a ofrecer potentes algoritmos de ML, con un solo marco de trabajo para reducir las dependencias. La experiencia de BigML incluye las siguientes áreas:
Clasificación
Regresión
Previsión de series temporales
Análisis de conglomerados
Detección de anomalías
Modelización de temas
BigML incluye una interfaz gráfica de usuario fácil de usar que permite una visualización interactiva, haciendo que la toma de decisiones sea muy fácil para los científicos de datos. El soporte para las APIs pueden ponerte en marcha en poco tiempo. La capacidad de exportar modelos a través de JSON PML y PMML hace que la transición de una plataforma a otra sea perfecta.
Plataforma gratuita y de código abierto para el análisis de datos, presentación de informes e integración
KNIME es una herramienta multipropósito que hace reportes y análisis de datos mientras permite una integración fácil de elementos como la minería de datos y el aprendizaje automático en sus datos. La intuitiva interfaz gráfica de KNIME permite una fácil extracción, transformación y carga de datos con un mínimo conocimiento de programación. Permitiendo la creación de tuberías de datos visuales para crear modelos y vistas interactivas, KNIME puede trabajar con grandes volúmenes de datos.
Knime — Free and open-source data analytics, reporting and integration platform(source)
La capacidad de integración de KNIME permite ampliar su funcionalidad básica con los lenguajes de gestión de bases de datos que se indican a continuación, como por ejemplo
● SQLite ● Servidor SQL ● MySQL ● Oracle ● PostgreSQL ● y más
Apache Spark
Apache Spark es un motor analítico unificado para el procesamiento de datos a gran escala. Apache Spark de la Fundación de Software Apache es una herramienta para analizar y trabajar con datos a gran escala. Permite programar grupos de datos para procesarlos colectivamente incorporando paralelismo de datos y tolerancia a fallos. Para los clusters de datos, Spark requiere un administrador de clusters y un sistema de almacenamiento distribuido. Spark también hereda algunas de las características de Hadoop, como YARN, MapR y HDFS.
Spark también ofrece limpieza de datos, transformación, construcción de modelos y evaluación. La capacidad de Spark para trabajar en memoria lo hace extremadamente rápido para procesar datos y escribir en disco. El soporte para la integración con otros lenguajes de programación, las transformaciones y su naturaleza de código abierto la convierten en una buena opción para los científicos de datos.
RapidMiner es una plataforma de ciencia de datos para equipos que une la preparación de datos, el aprendizaje de máquinas y el despliegue de modelos predictivos.
RapidMiner proporciona herramientas que pueden ayudarle a preparar su modelo desde la preparación inicial de sus datos hasta el último paso, es decir, el análisis del modelo desplegado. Sirviendo como un completo paquete de Ciencia de Datos de extremo a extremo en sí mismo, RapidMiner aprovecha la integración proporcionada por sus otras ofertas como:
Dirigido a científicos y analistas de datos, algunas de las características que ofrece RapidMiner son:
● Preparación de datos ● Visualización de resultados ● Validación del modelo ● Plugins para ampliar la funcionalidad del núcleo ● ver 1.5 mil algoritmos nativos ● Seguimiento y análisis de datos en tiempo real ● Apoyo a docenas de integraciones de terceros ● Capacidades de información exhaustiva ● Escalabilidad para el uso de equipos de cualquier tamaño ● Características de seguridad superiores
Matplotlib hace que las cosas fáciles sean fáciles y las difíciles posibles.
Matplotlib es una de las librerías esenciales de código abierto para python que cualquier científico de datos debe conocer. No sólo proporciona amplias opciones de personalización al usuario, sino que también lo hace sin complicarse demasiado. Cualquiera que esté familiarizado con Python sabe lo poderoso que puede ser Python con su vasta colección de librerías e integración con otros lenguajes de programación.
Con la sencilla interfaz gráfica de Matplotlib, los científicos de datos pueden crear atractivas visualizaciones de datos. Varias opciones de exportación le facilitan la tarea de llevar su gráfico personalizado a la plataforma de su elección.
Parte de la suite de herramientas de Microsoft Office, Excel para un ciudadano medio sería una simple herramienta de gestión de hojas de cálculo pero, en manos de usuarios poderosos como los científicos de datos, se convierte en una herramienta extremadamente eficiente. Excel es conocido por ser una herramienta sencilla para que los novatos se metan en ella pero, una vez que descubren lo poderoso que es, se quedan.
Excel presenta los datos de tal manera que hace que la toma de decisiones de un vistazo sea fácil con su poderoso estilo de visualización de datos. Las fórmulas que ofrece Excel actúan como la guinda del pastel ya que esto transforma a Excel de una mera aplicación de presentación de números en algo que también puede procesar esos enormes números, ya sea concatenación, búsqueda de longitud, búsqueda de suma y promedio y cientos más.
Conclusión
Los datos juegan un papel determinante en el mundo actual de la IA, permitiendo a los científicos de datos tomar decisiones impactantes. En ausencia de herramientas de ciencia de datos capaces, esa tarea se vuelve dolorosamente intrincada. Hemos hecho más fácil para usted obtener una visión de las herramientas disponibles, independientemente de su nivel de experiencia. Si te atrae la ciencia de los datos, tienes una amplia colección de herramientas para elegir. Mientras que algunas de estas herramientas merecen ser llamadas "todoterreno", otras se dirigen a nichos específicos.
Nota: Para eliminar problemas de diferentes tipos, quiero alertarles del hecho de que este artículo representa sólo mi opinión personal que quiero compartir, y ustedes tienen todo el derecho a estar en desacuerdo con él.
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
May 11, 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!
