Introducción

A medida que avanzamos en el año, he visto más y más anuncios para puestos de ciencia de datos, especialmente en LinkedIn, y otros sitios similares de anuncios de trabajo. Después de una esperada pausa debido a los acontecimientos actuales, las empresas han calculado su presupuesto y enfoque. Algunas de esas empresas incluyen nuevos puestos de ciencia de los datos que necesitan contratar lo antes posible o en un futuro próximo.

Hay varias razones para convertirse en un científico de datos. Voy a destacar cinco razones principales por las que me convertí en un científico de datos, y espero que se pueda alinear con algunas de las razones por las que tú también te convertirías en uno.

foto por Csaba Balazs en Unsplash [1].

Variedad de habilidades

Como ocurre con muchos puestos que tienen un conjunto general de habilidades esperadas, la ciencia de los datos no es una excepción, y por lo general se puede pensar que tienen estas habilidades que esbozaré a continuación. Por supuesto, hay otras, pero me centraré en las habilidades que encuentro más en varias empresas como científico de datos.

Lea también:

3 Maneras De Obtener Experiencia En La Vida Real De Ciencia De Datos Antes De Su Primer Trabajo

Python (R)

- el muy debatido Python versus R suele ser controvertido, pero en última instancia, sólo depende de lo que la empresa ya está usando como su principal lenguaje de programación. A veces, los científicos de datos pueden trabajar solos y formar modelos y producir resultados directamente a un interesado, y normalmente se refieren más a R en este caso. Sin embargo, en mi experiencia, ha sido más fácil trabajar de forma cruzada tanto con ingenieros de datos como con ingenieros de software con el uso de Python. Este lenguaje se utiliza a menudo con fines de despliegue, por lo que puede ser más fácil empezar con Python desde el principio. La ventaja es que en el proceso de aprendizaje de la ciencia de los datos, aprenderás Python o R, lo que te ayudará a obtener una variedad de habilidades que pueden ayudarte a pavimentar el camino si escoges un rumbo profesional diferente, como el desarrollo de software.

SQL

Otra habilidad popular para los científicos de datos es el SQL. A veces, los cursos en línea y las universidades descuidan la importancia de la amplitud del uso de este lenguaje para los científicos de datos. Se utiliza casi en todos los proyectos en los que trabajo, porque el dataset no le es entregado simplemente. Tienes que hacer tu propio conjunto de datos, y eso implica consultar las tablas de tu base de datos con SQL. Al igual que Python (y algo de R), aprender SQL es útil no sólo para la ciencia de los datos, sino también para la ingeniería y el análisis de datos.

Negocios

Aunque esta habilidad no es un lenguaje de programación, sigue siendo importante. Los negocios, más que un concepto, es algo que todo científico de datos aprende. Al igual que el SQL, no se enseña en entornos educativos tanto como debería. Lo que quiero decir con el negocio es que hay que acostumbrarse a saltar a situaciones que no son estrictamente de ciencia de los datos. La empresa utiliza a los científicos de datos para hacer un proceso más eficiente o para encontrar ideas que cambien la empresa en el futuro. A menudo, la educación para la ciencia de los datos se centrará tanto en obtener la mayor precisión para, por ejemplo, segmentar los diferentes tipos de clientes. Puede ser genial lograr un 98% de precisión, pero si no eres capaz de llegar a un plan de cómo implementar el modelo y sus resultados a partir de entonces, entonces tu modelo es inútil.

Necesita saber que las partes interesadas, los CEO's, el equipo de ejecutivos, le preguntarán qué hará con sus resultados para cambiar el negocio. Así que, a su vez, querrá aplicar esos grupos de segmentación de clientes a una campaña de marketing a través de varios correos electrónicos dirigidos. Luego, crearía una prueba de algún tipo para ver cómo se desempeñaron los emails, digamos con una prueba AB. Como puedes ver, sólo tener un modelo extremadamente preciso es sólo una parte de la ciencia de los datos y el proceso de negocios. Practicar este proceso de negocios una y otra vez es extremadamente

beneficioso.

Estadísticas

Había más atención a las estadísticas en la escuela, y puede resolver muchos problemas para un científico de datos. Conocer la estadística es crítico para los científicos de datos, ya que es la base de los modelos de aprendizaje automático. Practicar el análisis de la varianza, o el muestreo de población, etc., es útil en varias formas en el negocio, por ejemplo, campañas de marketing de nuevo, o pruebas AB.

Unicidad

El creciente campo de la ciencia de los datos puede, en un principio, parecer que esta en una posición no tan única como solía ser. Sin embargo, sigue siendo igual de único, y aún más único en la empresa específica en la que trabajará. Pueden haber otros roles como los ingenieros de seguridad que podrían ser más únicos, pero la ciencia de los datos es única.

Pequeño número de empleados

Para explicar el pequeño número de empleados, los ingenieros de software, donde incluso una pequeña empresa tecnológica puede estar compuesta por cerca de 30 desarrolladores, normalmente tienen entre uno y cuatro científicos de datos. Cuando su rol es tan único, pueden aprender habilidades valiosas, tocar varios departamentos e impactar su compañía significativamente. Esto no quiere decir que los otros campos mencionados carezcan de estos beneficios, pero creo que es más probable que se encuentre con varias partes del negocio en la ciencia de los datos. En última instancia, te sentirás muy bien

Un pequeño número de personas

Impacto

Después de trabajar como científico de datos en múltiples empresas, ha quedado claro que incluso un solo proyecto puede tener un impacto indefinido en un negocio con beneficios significativos.

El impacto que un científico de datos puede hacer es sobresaliente. Puede automatizar procesos previamente manuales, ahorrando a la compañía miles o incluso millones de dólares. Puede ahorrarle tiempo a la compañía, y asignar el tiempo mejor empleado. Los proyectos en los que trabajará son de diversa naturaleza e importancia.

Por ejemplo, yo trabajé en un proyecto que automatizó una gran parte de un proceso manual, con gran precisión. Fue realmente asombroso sentir el impacto que puedes tener en el negocio. La mejor sensación, sin embargo, es el impacto que puedes tener en la sociedad, la salud, etc. Hay innumerables maneras de tener un impacto positivo en algo con la ciencia de los datos, y tu trabajo diario no es una excepción.

Lea también:

Las 9 Carreras Más Importantes De La Ciencia De Datos Del Futuro

Remoto

Antes del estado actual de El Mundo, el trabajo a distancia ya era un beneficio predominante de las funciones tecnológicas, especialmente las que se realizan en la ciencia de los datos. Desafortunadamente, hay varios tipos de carreras que no se pueden beneficiar de este punto, que admiro mucho y estoy agradecido.

Si te gusta trabajar desde casa, entonces la ciencia de los datos será una excelente oportunidad para ti. Hay herramientas y plataformas que ayudan a crear un ambiente exitoso sin una oficina física. Puedes usar videoconferencia, mensajería y gestión de proyectos, así como herramientas de creación de versiones. Las herramientas incluyen, pero no se limitan a:

Zoom
Slack
GitHub
Jira
Confluence

Trabajar desde casa es personalmente un gran beneficio para mí. Lo veo como una oportunidad para disfrutar más de mi día. Vivir en una ciudad que puede darte horas de tráfico no es la mejor sensación, así que poder eliminar eso por completo es un enorme beneficio.

Paga

Sí, la ciencia de los datos paga bien. Quería asegurarme de incluir esto como el último beneficio, ya que no sólo es bien conocido, sino que no es el factor más importante a la hora de decidir una carrera. Mientras que mas dinero es genial, si no te gusta tu campo, entonces serás miserable. Sin embargo, si te gusta la ciencia de los datos, y esperas construir tu marca y carrera en ella, entonces puedes esperar tener altos pagos.

De acuerdo con Glassdoor [2], el promedio base de pago para un científico de datos es de 113.309 dólares / año.

Por supuesto, hay variantes entre los estados e incluso ciudades en esos estados, así que puedes esperar diferentes rangos dependiendo de donde vivas. Algunas compañías ofrecen grandes bonos anuales también. Debido a que tu papel es increíblemente impactante, también puedes esperar acciones o participaciones en una compañía en algunas empresas.

Además, dependiendo de la descripción del trabajo o de la funcionalidad del mismo, puedes esperar variaciones en el salario. Los puntos a considerar cuando se negocia el salario de un científico de datos incluyen, pero no se limitan a:

Habilidades (SQL, Python, R, etc.)
Experiencia
A quién le reportas
Si se requiere un título universitario o una maestría o doctorado
Años de experiencia
Expectativa de despliegue de aprendizaje automático
Expectativa de ingeniería de datos

Resumen

Foto de Patrick Perkins en Unsplash [3].

Como puedes ver, hay varias razones para convertirse en un científico de datos, especialmente en 2020. Las cinco razones principales para convertirse en un científico de datos son: la variedad de habilidades que aprenderá en el camino, la singularidad en su empresa, el impacto en su empresa,trabajo desde casa, y el pago. La ciencia de los datos puede que no desaparezca por un tiempo y podría muy bien convertirse en una carrera aún más popular. Es importante tener en cuenta que hay ramas de la ciencia de los datos como la inteligencia empresarial, la ingeniería de software y el aprendizaje automático que también son grandes carreras. Con suerte, te convertirás en un científico de datos, y al menos experimentarás estas cinco razones beneficiosas para ti mismo.

Espero que hayas encontrado este artículo interesante y útil. Gracias por leerlo! Siéntase libre de comentar abajo su experiencia o de contactarme!

Referencias

1] Foto de Csaba Balazs en Unsplash, (2018)

2] Glassdoor, Salario de Científico de Datos, (2008-2020)

3] Foto de Patrick Perkins en Unsplash, (2020)

Most Related Articles

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!!!

Juan Guillermo Gómez Ramírez

Sep 08, 2020

Las 5 Principales Razones Para Volverse Cientifico De Datos En 2020

Contents Outline

Matt Przybyla

Las 5 Principales Razones Para Volverse Cientifico De Datos En 2020

Related Posts

Categories

Join Competition

Juan Guillermo Gómez Ramírez

Las 5 Principales Razones Para Volverse Cientifico De Datos En 2020

Contents Outline

Social Sharing

Matt Przybyla

Related Posts

Categories

Join Competition

Most Related Articles

Juan Guillermo Gómez Ramírez