Métricas de desempeño: regresión y clasificación

Clase 14 de 22 • Curso de Redes Neuronales en Keras y Scikit-Learn 2019

Laura Camila Pinzón Casallas

student•

Existen diferencias entre precision y accuracy.

!precision_vs_accuracy

Rodrigo Urquizo Yepez

student•

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.

Sergio Rubiano

student•

Conclusión.

Accuracy = VP + VN / (VP + VN +FN + FP)

precision = VP / (VP + FP )

Recall = VP / (VP + VN)

Daniel Eishu Oyama Arevalo

student•

No estas mal en el Recall?? debería ser el denominador VP + FN

Sergio Rubiano

student•

Hola daniel!

Tienes razón, lo correcto es:

Recall = VP / (VP + FN)

Daniel Correa

student•

https://fayrix.com/machine-learning-metrics_es, en la pagina hay mas informacion de las metricas

María José Medina

student•

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?

Laura Camila Pinzón Casallas

student•

Pequeño typo es cosine proximity y no cousine

Jorge Sebastian Alvarez Herrera

student•

Creo que es Cosine y no cousine

Gonzalo Rojas Alvarez

student•

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)

Diego Alejandro Lesmes

student•

Un buen resumen de las métricas :green_heart:

Emiliano Garay

student•

Hola, este video figura 22 minutos es correcto?

Christian Sanclemente

student•

Incorrecto.

Métricas de desempeño: regresión y clasificación

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