Existen diferencias entre precision
y accuracy
.
Apropiar conceptos fundamentales de las redes neuronales
¿Qué es una red neuronal?
Identificar los principales Frameworks usados en la industria para el desarrollo de Deep Learning
Frameworks de Deep Learning
Comprender los modelos de representación de las redes neuronales artificiales usados en Deep Learning
Estructura de redes neuronales
Creando nuestra primer red neuronal
Entrenando nuestra primera red neuronal
Visualizando el proceso de entrenamiento
Funciones de activación
Funciones de costo o pérdidas
Inicialización y Entrenamiento de RN
Optimizadores en redes neuronales
Clasificación Binaria
Clasificación de potenciales clientes
Análisis de resultados
Métricas de desempeño: regresión y clasificación
Evaluando métricas de desempeño
Ajuste de redes neuronales: overfitting y regularización
Regularización
Ajuste de redes neuronales: Hiper parámetros
Crear un modelo de regresión a partir de un caso de uso real
Introducción a las regresiones con Deep Learning: Planteamiento del problema
Solución del problema de regresión
Ajustes finales al proyecto
Cierre del curso
Cierre del curso
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 10
Preguntas 0
Existen diferencias entre precision
y accuracy
.
En cosine proximity muchos se preguntaran porque coseno y no seno a pesar de que ambos van de -1 a 1( -1<=cos(x)<=1,-1<=sen(x)<=1), esto seria mucho mejor verlo en la grafica de la funcion coseno.Se podran fijar que de 0° a 180°(pi) mientras el angulo disminuye el coseno aumenta, es decir, mientras mas cercanos o mas parecidos sean los vectores mayor sera el coseno y mayor sera tu accuracy.Esto hace del CP una buena metrica de desempeño.
Por cierto la formula sale de esto:
A.B = cos(x)|A||B|, es del producto punto de dos vectores.
Conclusión.
Accuracy = VP + VN / (VP + VN +FN + FP)
precision = VP / (VP + FP )
Recall = VP / (VP + VN)
https://fayrix.com/machine-learning-metrics_es, en la pagina hay mas informacion de las metricas
En resumen, en el ejemplo del diagnóstico las métricas responden a las siguientes preguntas:
accuracy: ¿cuantos diagnósticos correctos se obtuvieron en total?
precisión: de las personas que fueron diagnósticadas con cancer, ¿cuantas de ellas sí realmente tenían cancer?
recall (o sensibilidad): de las personas que sí tenian cáncer, ¿cuantas de ellas fueron correctamente diagnosticadas?
F1-score: es la media armónica entre la precisión y el recall, brinda como una especie de balance entre precisión y sensibilidad.
De acuerdo a los resultados obtenidos en el ejercicio, entonces:
un accuracy de 0.9 (90%) significa que 1 de cada 10 pacientes fue diagnósticado incorrectamente.
una precisión de 0.67 (67%) significa que aproximadamente 7 de cada 10 pacientes diagnósticados con cáncer tienen cancer.
una sensibilidad de 0.8 (80%) significa que 2 de cada 10 pacientes fueron diagnósticados sin cancer, cuando en realidad lo tienen.
Para complementar dejo este artículo en el cual se describe en términos generales cual métrica usar dependiendo del caso de estudio.
Accuracy, Recall, Precision, F-Score & Specificity, which to optimize on?
Pequeño typo es cosine proximity y no cousine
Creo que es Cosine y no cousine
Si me equivoco , corríjanme. No se explico de donde sale el valor Precisión para calcular el valor F1. Según lo que busque, seria el porcentaje de verdaderos positivo de del total de una variable. Su formula: vp/(vp + fp)
Un buen resumen de las métricas 💚
Hola, este video figura 22 minutos es correcto?
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?