10 Líderes en Ciencia de Datos que Deberías Seguir

Admond Lee
Apr 30, 2021

Contents Outline

10 Líderes en Ciencia de Datos que Deberías Seguir

Apr 30, 2021 12 minutes read

Tener grandes mentores de los que aprender ha sido una gran bendición a lo largo de mi carrera en la ciencia de los datos, o incluso en la vida.

Todavía recuerdo el momento decisivo en el que decidí pasar de la física a la ciencia de datos durante mi último año de universidad.

El salto fue... aterrador.

La duda era real. El miedo era real.

Lo creas o no, yo era como cualquier otro aspirante a científico de datos que empezó aprendiendo en cursos online, leyendo libros de texto relevantes y uniéndose a Kaggle.

Pero seguía sintiendo que me faltaba algo.

A lo largo de ese período, había estado aprendiendo por mi cuenta sin entender realmente cómo la ciencia de datos "funciona" en el mundo real y cómo convertirse en un gran científico de datos.

Sentí que necesitaba un poco de orientación. Necesitaba aprender de mentores.

Y fue entonces cuando empecé a aprender de los líderes de la ciencia de datos en LinkedIn, lo que me ayudó enormemente en mi viaje de aprendizaje e incluso impulsó mi carrera en la ciencia de datos hasta un punto que nunca hubiera imaginado posible con abundantes oportunidades de aprendizaje.

De hecho, ellos son la razón por la que estoy devolviendo a la comunidad de la ciencia de datos compartiendo mi experiencia, conocimientos e incluso mis errores en LinkedIn y Medium.

Si has estado siguiendo mis artículos, compartí la primera lista de líderes de la ciencia de datos a seguir hace un año y la lista no es en absoluto exhaustiva, de ahí que haya escrito este artículo además de eso.

Si estás en el campo de la ciencia de datos, te animo encarecidamente a que sigas a estos gigantes -que enumeraré en la sección de abajo- y formes parte de nuestra comunidad de ciencia de datos para aprender de los mejores y compartir tu experiencia y conocimientos.

Créeme, aprender de estos gigantes podría convertirse en una de las decisiones que te cambiarán la vida (al menos paraa mí lo fué).

Basta de hablar... ¡Empecemos!

Los 10 líderes de la ciencia de datos que deberías seguir


1. Cassie Kozyrkov


Cassie Kozyrkov es una leyenda, como mínimo. Y punto.

Actualmente trabaja como jefa de científicos de decisiones en Google y es una experta en la intersección de la estadística, la ciencia de los datos y la IA.

Personalmente, creo que es una especie muy rara por tener una profunda experiencia técnica y, al mismo tiempo, por tener la capacidad de descomponer las cosas en ideas sencillas para que la gente las entienda.

Su liderazgo de pensamiento y sus ideas en los campos del aprendizaje automático, la inteligencia artificial y la ciencia de los datos nunca han dejado de sorprenderme, ya que siempre me dan nuevas perspectivas y conocimientos que no podría haber aprendido en ningún otro lugar.

Y eso, amigo mío, es el poder de aprender de otros (aka mentores).

Si estás interesado en aprender de Cassie -lo que te recomiendo encarecidamente- echa un vistazo a sus posts, artículos y vídeos en Linkedin, Medium, Twitter y YouTube.

De hecho, ella fue la que me inspiró a escribir este artículo - P-values Explained By Data Scientist - ¡después de ver lo que compartió sobre p-value!

What is a p-value? (by Cassie Kozyrkov)

2. Ben Taylor


Ben es un buen amigo mío y nos conocimos por primera vez en LinkedIn durante una discusión sobre ciertos temas de ciencia de datos.

Es un veterano líder de opinión en torno a la IA con más de 16 años de experiencia en aprendizaje automático.

Actualmente trabaja en DataRobot como Evangelista Jefe de IA - y sí - es el tipo al que hay que acudir si se quiere aprender más sobre la IA y entender la última tendencia en este campo.

En mi opinión, Ben es, con mucho, una de las mentes más agudas en el campo de la IA y desmitifica constantemente algunos de los malentendidos comunes en este campo con el objetivo de democratizar el uso de la IA.

Si durante tu viaje de búsqueda de empleo realizaste entrevistas en vídeo con HireVue solicitadas por las empresas...

¿Adivina qué?

Ben fue quien dirigió el equipo de ciencia de datos y desarrolló los primeros motores de predicción de entrevistas de vídeo llamados HireVue Insights, ¡y muchos más productos de IA!

3. Dat Tran


Seguro que conoces a Dat Tran si eres activo en la comunidad de la ciencia de datos en LinkedIn, ya que comparte constantemente las últimas actualizaciones de tecnología y aprendizaje profundo al público con un montón de grandes consejos.

Si todavía no tienes ni idea de quién es. Hazte un favor. Echa un vistazo a lo que comparte en Linkedin y Medium.

Dat Tran dirige actualmente Axel Springer AI, que es la unidad de inteligencia artificial de Axel Springer SE -la mayor editorial digital de Europa- para hacer que la IA sea accesible a todo el mundo dentro de Axel Springer y, por lo tanto, impulsar la innovación con el enfoque en los problemas de Computer Vision y NLP.

Por cierto, también es un reputado conferenciante y mentor en este campo que ha ayudado a la comunidad de la ciencia de datos en general.

4. Kevin Tran


Cuando me inicié en la ciencia de datos, Kevin fue uno de los primeros científicos de datos que conocí en LinkedIn compartiendo nuestros pensamientos y aprendiendo unos de otros.

Su amplia experiencia trabajando en varias empresas tecnológicas y sus profundos conocimientos en el desarrollo de modelos de crédito y riesgo justifican aún más por qué me gusta tanto lo que comparte.

Además, sus consejos para convertirse en un gran científico de datos en el mundo real -técnico o no técnico- han sido tremendamente prácticos y útiles para mi viaje de aprendizaje mientras seguimos creciendo juntos.

Sigue sus consejos y sabrás a qué me refiero. 😄

5. Jose Marcial Portilla


Seguro que este nombre te suena si alguna vez has hecho cursos de ciencia de datos en Udemy.

Verás.

Cuando empecé mi viaje en la ciencia de datos, no empecé leyendo un libro de texto, no empecé aprendiendo de Kaggle.

En cambio, me inicié tomando este curso en línea - Python for Data Science and Machine Learning Bootcamp impartido por José Marcial - que me dio una base sólida y la comprensión de la ciencia de datos y el aprendizaje automático en general para avanzar.

Es uno de los mejores creadores de cursos e instructores que he visto hasta ahora y sus cursos son fáciles de entender y lo más importante, ¡prácticos para empezar!

Si eres un principiante en la ciencia de los datos y quieres conocer una mejor comprensión de lo que es este campo, así como sus aplicaciones, entonces echa un vistazo a su curso.

6. Koo Ping Shung


Koo Ping Shung es sin duda uno de los titanes de la ciencia de los datos y el espacio de la IA.

Desde sus humildes comienzos como recién graduado en economía hasta convertirse en un experto en formación, instrucción y consultoría en ciencia de datos, ayudando a las empresas a crear capacidades internas de ciencia de datos, ¡es muy inspirador!


Y lo que es más interesante, también es el cofundador de DataScience SG, uno de los mayores y más activos grupos de encuentro de ciencia de datos de Singapur.

El objetivo es educar al público sobre lo que se puede esperar de la ciencia de datos, en qué consiste realmente el trabajo de científico de datos y también ayudar a las empresas a entender cómo pueden beneficiarse de la ciencia de datos.

Personalmente, he asistido al encuentro varias veces para tratar diferentes temas y para establecer contactos con profesionales de este ámbito. Sin duda, el mejor encuentro de la historia, ya que todo el mundo es muy acogedor y tiene ganas de aprender y crecer juntos.

7. Lex Fridman


Lex Fridmanes un científico investigador del MIT que trabaja en enfoques de IA centrada en el ser humano y de aprendizaje profundo para la autonomía compartida en los coches autoconducidos.

Lo que es aún más alucinante es que antes hizo podcasts como invitado con Joe Rogan y como anfitrión (podcast de Inteligencia Artificial con, por ejemplo, Elon Musk).

Elon Musk: Tesla Autopilot | Artificial Intelligence (AI) Podcast

Si quieres saber más sobre la interacción entre el comportamiento humano y la IA, o quieres estar a la vanguardia de la tecnología y las aplicaciones de la IA, echa un vistazo a sus podcasts, su canal de YouTube y, por supuesto, a sus publicaciones en LinkedIn, donde ha compartido ideas significativas sobre la IA.

Personalmente, encuentro sus podcasts y publicaciones en Linkedin muy perspicaces, especialmente en lo que respecta a la evolución de la IA y su interesante conexión con el comportamiento humano.

8. Kristen Kehrer


Actualmente Kristen Kehrer es instructora de ciencia de los datos en UC Berkeley Extension y fundadora de Data Moves Me.

Desde 2010, Kristen ha estado entregando soluciones de aprendizaje automático innovadoras y procesables a través de múltiples industrias, incluyendo los servicios públicos, la salud y el comercio electrónico.

A lo largo de toda mi carrera en la ciencia de datos, Kristen ha sido mi modelo/mentor para aprender con su profunda experiencia y conocimiento en el espacio de SQL y análisis.
En particular, me encanta el debate entre ella y otros destacados científicos de datos como
Favio Vázquez en LinkedIn y, sobre todo, la entrevista en el podcast - Humans of Data Science (HoDS) - con Kate Strachnyi.

Como ya te habrás dado cuenta, la comunidad de científicos de datos en LinkedIn es una comunidad muy unida en la que interactuamos unos con otros para compartir y aprender juntos.

9. Srivatsan Srinivasan


Srivatsan es actualmente un científico/arquitecto jefe de datos en Cognizant.

Su experiencia en la creación de complejos canales analíticos, modelos de aprendizaje automático para procesos de negocio extremadamente complejos, y en ayudar a las empresas a transformarse en el espacio de datos y análisis, ha impulsado definitivamente mi comprensión en muchas áreas de big data, la nube y la IA.

La lectura de sus perspicaces publicaciones en LinkedIn ha sido una de las actividades de aprendizaje más gratificantes para mantenerme constantemente actualizado con la última tecnología de IA y las mejores prácticas en el espacio de la ciencia de datos.
Si lees sus artículos, sabrás a qué me refiero. Sé que te encantarán.😅

10. David Langer


Siempre que estés en LinkedIn y busques posts de ciencia de datos (o contenido en general) para aprender, es probable que ya hayas conocido a David.

Además de ser un vicepresidente de análisis en Schedulicity, también es famoso por su gran enseñanza de la ciencia de datos como instructor, blogger y YouTuber.

Mi visión es un mundo lleno de profesionales con conocimientos de datos. - David Langer

Es un gran defensor del 20% de la analítica que impulsa el 80% del ROI.

Personalmente, he aprendido mucho de lo que comparte en LinkedIn y diría que es definitivamente uno de los educadores más destacados en el espacio de la ciencia de los datos.


Reflexiones finales



Gracias por leer.

Hay una larga lista de líderes de la ciencia de datos a los que seguir, ¿verdad?

Confía en mí.

Aprender de los mentores que han recorrido el camino te ahorrará toneladas de tiempo en comparación con aprender todo por tu cuenta. Incluso mejor, estarás bien equipado con el conocimiento de la ciencia de datos (habilidades técnicas y blandas), así como la forma de convertirse en un gran científico de datos.

Y, por supuesto, la lista de líderes en ciencia de datos no es en absoluto exhaustiva. Estos son sólo algunos de los principales líderes de la ciencia de datos a los que he seguido y de los que he aprendido desde el principio de mi viaje en la ciencia de datos.

Y espero que encuentres sus comparticiones perspicaces y útiles para ti.

Comenta abajo si conoces a otros líderes de la ciencia de datos que deberíamos seguir 👇🏻.

Inspirado por su contribución, estoy devolviendo a la comunidad de la ciencia de datos compartiendo mi conocimiento y experiencia en el camino para, con suerte, ayudar a más aspirantes a científicos de datos.

Al final del día, nosotros - como parte de la comunidad de la ciencia de datos - estamos aquí y siempre estaremos aquí para compartir, ayudar, aprender y crecer juntos.

Y esto es lo que debe ser una comunidad.

Espero que hayas disfrutado de la lectura de este artículo y espero que formes parte de la comunidad de la ciencia de datos.

Recuerda, sigue aprendiendo y nunca dejes de mejorar.

Como siempre, si tienes alguna pregunta o comentario, no dudes en dejar tus comentarios a continuación o siempre puedes contactar conmigo en LinkedIn. Hasta entonces, ¡nos vemos en el próximo post! 😄

Related Posts

Métricas De Evaluación De Modelos En El Aprendizaje Automático

Categories

Data Science Machine Learning Deep learning Flask Deployment Big Data Business Python SQL Programming Libraries Jupyter Numpy News Pandas Matplotlib Visualization Datathons

Join Competition

Code the Light Fantastic- Final Level 3

Covid-19 Latam Prediction

Most Related Articles

Data Science
Machine Learning
Métricas De Evaluación De Modelos En El Aprendizaje Automático

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!!!

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!

Join our Discord