Una métrica esencial para clasificadores: Área Bajo la Curva ROC (Receiver Operating Characteristic)
Вставка
- Опубліковано 7 сер 2024
- Para citar este recurso educativo utiliza la siguiente referencia:
Gutiérrez-García, J.O. [Código Máquina]. (2022, 2 de Mayo). Una métrica esencial para clasificadores: Área Bajo la Curva ROC (Receiver Operating Characteristic) [Video]. UA-cam. [Incluye aquí la URL del video]
********************************************
Para guiar tu aprendizaje, en este vínculo ( • Curso de Inteligencia ... ) se encuentra una guía secuencial para aprender:
1. Programación Básica con Python;
2. Manejo de Datos;
3. Visualización de Datos;
4. Análisis de Datos; y
5. Aprendizaje de Máquina y Ciencia de Datos.
********************************************
En el contexto de clasificadores de aprendizaje de máquina, este video explica la métrica del área bajo la curva ROC (Receiver-Operating Characteristic) mejor conocida por sus siglas en inglés como AUC-ROC. Esta métrica se calcula a partir de la Tasa de Verdaderos Positivos y la Tasa de Falsos Positivos.
Índice del Video:
0:00 Introducción
3:41 Verdaderos Positivos/Negativos y Falsos Positivos/Negativos
5:07 Umbral de clasificación
8:25 Tasa de Verdaderos Positivos y la Tasa de Falsos Positivos
10:55 Construcción de la Curva ROC
19:28 Área bajo la curva ROC
Apoya a Código Máquina dando un Like, con un Super Gracias o visitando nuestra tienda en:
/ shop
#AprendizajeAutomatizado #MachineLearning #AprendizajeDeMaquina #DataScience #CienciaDeDatos
Apoya a Código Máquina dando un Like, con un Super Gracias o visitando nuestra tienda en:
facebook.com/C0d1g0Maqu1na/shop
siempre que tengo una duda busco tus videos :D excelente trabajo.
waooo, gracias por compartir esa sabiduria.
Super Gracias
Excelente contenido..! Me puedes ayudar con una ruta de aprendizaje de tus videos?? ya vi la lista dedicada a Python.. pero no se ahora si debo ver primero numpy o pandas, matplotlib.. Gracias de antemano :D aprendo mucho y rapido con tu contenido.. ya quiero alcanzar un nivel Jr en data science o mejor aun machine learning engineer
Gracias por tus comentarios. Estoy seguro que pronto estarás en el nivel que te propongas. Con respecto a la ruta de aprendizaje, al parecer ya lo tienes muy claro. Después de python general, sigue numpy, pandas y matplotlib (en ese orden). Gracias por seguir al canal :)
El video más claro que he visto del tema💗
@user-wu8sf9eb4j muchas gracias y feliz año!!!
Excelente explicación, muchas gracias 👌🏼👌🏼👌🏼
@carlosmachuca2723 es todo un placer. Feliz año!!!
Excelente explicación, muy clara.
Muchas gracias por tus comentarios y por seguir el contenido del canal :)
Excelente video!!
Muchas gracias :)
Genio!!!
Muchas gracias pruebas test!!
👍sklearn tiene alguna libreria para ROC y visualizarla o hay que programar con matplolib alguna funcion para hacerlo? gracias y siguen siendo muy buenos tus video 👍
Gracias por tus comentarios y por la pregunta. Sklearn tiene la métrica, pero no tiene una función para graficarla, sin embargo, efectivamente se puede hacer 'fácilmente' con matplotlib. De hecho, la documentación oficial de sklearn tiene un ejemplo con todo y gráfica muy completo. Te recomiendo echarle un ojo al siguiente vínculo: scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html
Entonces ROC nos sirve para ver que tan preciso es nuestro modelo ?
Y así mismo comparar resultados con los demás?
Una pregunta: he visto q para para comparar modelos utilizan el AUC, el tema es q he visto una vez q graficaban la curva roc utilizando predict, pero veo ahora que utilizan predict_proba, y el AUC de uno es 0.9 y con predict_proba da 0.95. Tengo varios modelos que comparar y queria saber que auc utilizar, o mejor dicho grafico con predict o con predict_proba????
Hola @nickeponer2626 gracias por la pregunta. Mi sugerencia es que utilices la implementación de la función para calcular el área bajo la curva ROC del lenguaje o librería que estés utilizando. Mientras sea de una librería conocida por ejemplo sklearn o tensorflow, obtendrás valores confiables.