Otro método para obtener el accuracy.
Fundamentos de regresión logística
¿Qué es la regresión logística?
Tu primera clasificación con regresión logística
¿Cuándo usar regresión logística?
Fórmula de regresión logística
Regresión logística binomial
Preparando los datos
Análisis de correlación y escalabilidad de los datos
Análisis exploratorio de datos
Entrenamiento con regresión logística binomial
Evaluando el modelo (MLE)
Análisis de resultados de regresión logística
Regularizers
Regresión logística multinomial
Cómo funciona la regresión logística multiclase
Carga y preprocesamiento de datos multiclase
Análisis exploratorio y escalamiento de datos multiclase
Entrenamiento y evaluación de regresión logística multiclase
Conclusiones
Proyecto final y siguientes pasos
Comparte tu proyecto de regresión logística y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 9
Preguntas 3
Otro método para obtener el accuracy.
El accuracy es una métrica que mide la frecuencia con la que un modelo de aprendizaje automático predice correctamente el resultado . Puede calcular la precisión dividiendo el número de predicciones correctas por el número total de predicciones.
Estoy haciendo un módelo de predicción para peritonitis, pero el módelo no logra encontrar la relación. Ojalá todo fuera así de fácil como en la explicación :c
Para este ejercicio, es necesario analizar y verificar que la funcionalidad de este sea correcta porque sino vas a quedarte estancado y no podras avanzar mas adelante.
Así funciona el comando “metrics.accuracy_score”:
metrics.accuracy_score se utiliza para calcular la precisión (accuracy) de un modelo de clasificación. La precisión es una métrica que mide la proporción de predicciones correctas realizadas por el modelo en relación con el número total de predicciones. Matemáticamente, se define como:
ACCURACU = Número de predicciones correctas/ Número total de predicciones.
from sklearn import metrics
# Definir las etiquetas reales y las etiquetas predichas por el modelo
y_true = [0, 1, 1, 0, 1, 1, 0]
y_pred = [0, 1, 0, 0, 1, 1, 1]
# Calcular la precisión
accuracy = metrics.accuracy_score(y_true, y_pred)
print("Accuracy:", accuracy)
La función metrics.accuracy_score compara las etiquetas reales (y_true) con las etiquetas predichas por el modelo (y_pred) y devuelve la precisión como un valor decimal entre 0 y 1. Un valor de 1 significa que todas las predicciones del modelo son correctas, mientras que un valor más bajo indica que el modelo cometió errores en sus predicciones. La precisión es una métrica importante para evaluar el rendimiento de los modelos de clasificación, pero no siempre es la única métrica relevante, ya que puede no ser adecuada para todos los conjuntos de datos, especialmente cuando las clases están desequilibradas.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?