¿Sus Habilidades De Programación Son Lo Suficientemente Buenas Para Un Puesto De Trabajo En Data Science?
Apr 18, 202011 minutes read
5 tips de programación que debes saber si trabajas en la industria de la ciencia de datos
"Era viernes por la noche. Recuerdo claramente lo emocionado que estaba de pasar el resto del día con mi familia. Mis padres habían viajado a Bangalore por primera vez y yo ya tenía planes de mostrarles la ciudad.
Había completado mi trabajo del día y dado que los viernes por la noche suelen ser menos agitados en cualquier organización, estaba a punto de irme cuando de repente recibí un correo electrónico de mi jefe pidiéndome un informe muy antiguo que dejamos de entregar hace un año.
Estaba decepcionado, pero sabía que los códigos estándar no suelen requerir mucho esfuerzo. ¡Ay! Mi hipótesis estaba equivocada. El Karma me mordió y terminé pasando toda la tarde......"
Deben estar preguntándose cómo se relaciona esta historia con cualquier tipo de habilidades de programación requeridas para un trabajo de ciencia de datos o algunos de ustedes ya habrán adivinado la correlación entre mi historia y el resto del artículo.
Permítanme comenzar haciendo una declaración: "Las organizaciones de hoy en día utilizan la ciencia de datos como una de las palancas clave en cada etapa del ciclo de decisión para impulsar las estrategias comerciales clave".
¿Pero qué constituye un problema de la ciencia de datos? ¿Cómo trabaja un analista de datos, un analista de negocios o un científico de datos en cualquier organización?
Cualquier problema de Ciencia de Datos se desglosa en dos partes, un conjunto de "actividades" y un puñado de "procesos de mejores prácticas".
La recolección de datos, la limpieza de datos, la exploración de datos, la prueba de hipótesis, el desarrollo de modelos, la validación y muchos más entra en la categoría de "actividades".
La mayoría de los que trabajamos con organizaciones analíticas o aspiramos a ser científicos de datos estamos muy familiarizados con esa terminología, pero cuando se trata de "procesos de prácticas óptimas", se conoce y se sigue muy poco.
De mis 4 años de experiencia trabajando en esta industria, puedo decirles que como parte de los "procesos de mejores prácticas" se hace mucho hincapié en la gestión de proyectos, la creación de repositorios, la documentación, la comunicación y el mantenimiento de códigos.
Como científico de datos, se espera que te asegures de que te adhieres a las "3 C's, Consistencia, Comunicación y Consumo". Su trabajo debe ser consistente, debe comunicar todas las complejidades del negocio a sus interesados y, lo más importante, su trabajo debe ser consumido.
La programación en la industria de la ciencia de datos es muy diferente del desarrollo de software.
Sus habilidades de programación no se limitan simplemente a sus conocimientos técnicos, sino que requieren una buena cantidad de datos y comprensión empresarial.
Hoy voy a hablar de la "Consistencia" y de cómo introducirla en sus prácticas de codificación.
Muchas de estas mejores prácticas se basan en mis 3 años de experiencia trabajando con Mu Sigma Business Solutions y los desafíos que he enfrentado hasta la fecha. Los siguientes 5 tips le darán una breve comprensión de cómo "Matemáticas + Negocios + Datos + Tecnología = Ciencia de los Datos".
"Las organizaciones hoy en día buscan científicos de datos que puedan crear soluciones escalables a través de múltiples equipos. Piensa en ello como un producto, que puede ser fácilmente usado por cualquiera y por todos. Esto no sólo ahorra el valor en dólares que tuvieron que invertir en un problema similar para una unidad de negocio diferente, sino que reduce el tiempo y el esfuerzo de un recurso existente que va a trabajar en él durante los próximos días"
5 Tips que pueden subir el nivel de tu juego!
1. ¿Tu código es lo suficientemente legible? Un código bien formateado y comentado es el paraíso del maestro del código. Te ayuda a depurar tu código con facilidad y asegurarte de que los controles de calidad sean más suaves.
Cualquier equipo de ciencia de datos sigue el concepto de Chequeos de Calidad de Pares (Peer Quality Checks - QC) para asegurar una salida libre de errores.
Se considera una mejor práctica hacer que su código sea revisado por sus pares antes de entregar el resultado final a los interesados. Un código legible incluye:
Nombre del proyecto, propósito del código, versión, nombre del autor, fecha de creación, fecha de modificación, última modificación, cambios para empezar
Descripción de una línea de cada fragmento de código antes de que empiece (El uso de estos codificadores mantiene un seguimiento de las reglas o filtros comerciales explícitos que se utilizan)
La identación adecuada de cada snippet con suficientes espacios entre dos snippets
Uso adecuado de la convención de nombres para los nombres de las tablas. En lugar de escribir un snippet como "crear tabla A" siempre se puede escribir "crear tabla volumen_de_cliente_resumen". Esto hace que la tabla sea intuitiva incluso sin pasar por el resto del segmento de código
2. ¿Su código tiene módulos reutilizables? Muchas veces terminarás trabajando en conjuntos de datos con un esquema similar, pero utilizando diferentes filtros para diferentes atributos (columnas) dependiendo del problema de negocio en cuestión.
También puede ser al revés, cuando terminas usando la misma tabla para resumir diferentes escenarios para el mismo problema de negocios.
Por ejemplo, supongamos que usted tiene un conjunto de datos del cliente que contiene la identificación del cliente, la identificación de la transacción, la fecha de compra, la clase de producto y las cifras de ventas.
Se le pide que averigüe los principales clientes que contribuyen al 80% de sus ventas para cada clase de producto.
En un escenario normal, crearía un conjunto de código que hace esto para un tipo de producto específico, copiar-pegar el mismo y reutilizarlo posteriormente con un filtro diferente para el tipo de producto.
Un buen programador crearía un módulo definido por el usuario que toma el tipo de producto y el umbral de ventas como entrada y genera la salida deseada.
Se pueden crear módulos reutilizables en todas las plataformas, lo que ahorra líneas innecesarias y garantiza un fácil control de calidad.
3. ¿Su producción cumple con los requisitos de los datos y el sentido comercial? En cualquier organización la entrega de cifras correctas es la clave del éxito de un proyecto. Muchas decisiones de negocios se toman en base a las cifras que reportamos e incluso una pequeña inexactitud podría tener un mayor impacto en la decisión de la organización.
Tomemos el ejemplo anterior del conjunto de datos del cliente. Se le pide que identifique los 100 principales Clientes Fieles en base a su volumen de transacciones. Usando su recomendación, la organización proporcionará a dichos usuarios un cupón de descuento del 30% para sus próximas compras.
La idea de este análisis es identificar a los clientes leales e influir en ellos para que compren más. La organización está recibiendo un golpe en sus ventas para asegurar un mayor volumen de transacciones.
Ahora muchos de nosotros no somos conscientes del hecho de que los conjuntos de datos utilizados por la mayoría de las organizaciones no vienen en la forma más limpia y necesitan ser manipulados antes de que puedan ser consumidos.
Por ejemplo, un cliente mientras paga sus facturas puede experimentar una transacción fallida que se registra en el sistema.
Sin embargo, al calcular el volumen de las transacciones, esos identificadores de transacciones deben eliminarse, pues de lo contrario terminaremos con una estimación incorrecta del volumen de transacciones de cada cliente.
El reto es identificar esa anomalía. Aquí están algunas de las comprobaciones que debe hacer y capturar mientras codifica:
Revisar el nivel del conjunto de datos antes de comenzar cualquier manipulación. Un nivel se define como una sola columna o una combinación de columnas que se pueden utilizar para identificar un registro de forma única a partir de una base de datos/tabla.
Esto le ayudará a identificar cualquier entrada duplicada y a prevenir la doble contabilidad.
Haz una estadística descriptiva rápida para tu conjunto de datos. Esto te ayuda a averiguar la distribución de tus datos y todos los posibles valores perdidos
Mientras se unen una o varias tablas se aseguran de que son del mismo nivel. Lleve un registro del número de registros antes y después de todas las declaraciones de unión (joins). Esto le ayudará a identificar múltiples mapeos o dobles conteos si los hay.
Tenga a su alcance los indicadores clave de rendimiento de su organización. Esto le ayudará a tener números de referencia en cada paso.
En el ejemplo anterior, el total de clientes que realizan una compra es un indicador clave del rendimiento de su organización.
Basándose en el informe anual de su organización, usted sabe que ~12.000 clientes compraron un producto en el sitio web de su organización. Sin embargo, al consultar el conjunto de datos, sólo encontrará 8000 identificaciones de clientes. ¿Sus datos son correctos? Vuelva a comprobar sus códigos o marque un problema de datos con su jefe.
4. ¿Su código es resistente a la entrada? La resistencia de entrada implica que el código debe ser capaz de producir una salida independientemente del tipo de entrada.
La parte más difícil de cualquier ejercicio de codificación es inducir la resistencia de entrada que resulta en la reutilización de los códigos.
Un analista puede recibir solicitudes de datos similares de diferentes interesados. Por lo tanto, un escenario ideal sería escribir códigos que puedan funcionar con diferentes requisitos comerciales.
Por ejemplo, el Jefe de Ventas de la división de Electrónica y Cosméticos quiere entender las ventas de sus respectivos productos para diferentes identificaciones de clientes.
Dado que el analista ha trabajado anteriormente con ordenadores portátiles y tabletas, es consciente de que todos los nombres de productos vinculados a artículos electrónicos se capturan en minúsculas.
Sin embargo, para comprobar los productos cosméticos, puede que tenga que filtrar primero todos los productos y ver cómo se capturan las transacciones relacionadas con los cosméticos en los datos del cliente.
En cambio, un simple uso de UPPER() en las columnas de productos puede evitar controles innecesarios. En un escenario del mundo real, es difícil hacer que cada entrada de código sea resistente, pero hay que pensar en todas las posibles excepciones que se pueden manejar.
5. Inducir la manipulación de la excepción La resistencia de la entrada y el manejo de excepciones pueden parecer similares pero funcionan de manera diferente.
Déjame hacerte una simple pregunta. ¿Cuántos registros cree que tiene un dato de cliente de cualquier organización? 20.252 registros como se muestra en el ejemplo anterior? ¡Tienes que estar bromeando! Cualquier dato de cliente que tenga información de transacciones para diferentes productos tendrá millones de registros.
Consultar tales conjuntos de datos en SQL, R, Python o incluso Alteryx lleva horas de ejecución. Ahora imagina un escenario en el que necesitas consultar tales tablas para diferentes productos, ¿cómo induces el manejo de excepciones?
Todo lenguaje de programación le permite establecer excepciones de ejecución de tal manera que una consulta fallida detendrá la ejecución de los snippets subsiguientes. Esto le permite hacer las correcciones necesarias de forma instantánea una vez que una condición falla o un error es lanzado en lugar de esperar mucho tiempo antes de que todo el código se ejecute
Asegúrate de mantener un control de tu tiempo de consulta. A menudo, la consulta de conjuntos de datos más grandes puede llevar más tiempo del esperado debido al uso simultáneo, es decir, varios usuarios pueden estar consultando el mismo conjunto de datos al mismo tiempo. Asegure la auto-detención de la ejecución del código una vez que se supera una cierta cantidad de tiempo de ejecución
"Mi teléfono empezó a vibrar de repente. No me di cuenta de que ya eran las 8 pm. Me había pasado las últimas 5 horas averiguando algún desajuste en los números. Habiendo trabajado en esto hace un año, apenas recuerdo las reglas de negocios que se usaban en ese entonces. Desearía haberlo documentado en algún lugar. La falta de flujo de procesos y cifras de control de calidad para cada paso hizo más difícil captar el problema. Ahora me doy cuenta de la importancia de una buena práctica de programación y espero que este artículo le ayude a organizar su proceso de pensamiento de programación en los próximos días"
Ya tienes las habilidades de programación para un puesto de trabajo? esta es tu oportunidad de postularte a una de estas vacantes en data science.
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 18, 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!
