La mejor explicaciÃģn para tener una primera idea de quÃĐ es una CURVA ROC y el AUC. Me hubiese gustado que incluyeran la forma de INTERPRETAR dicha curva. Saludos!
Te felicito muy buen canal! por la cuestiÃģn de la pandemia he comenzado a estudiar Data Science en Acamica aquà en Argentina y estos canales explicativos facilitan mucho el entendimiento. Saludos!
Genial explicaciÃģn! Mi Única pregunta tiene que ver con que ROC/AUC se suele utilizar para problemas de clasificaciÃģn como el tuyo (0 Ãģ 1). Sin embargo tÚ obtienes probabilidades. CÃģmo aplicas la misma lÃģgica si en vez de probabilidades, tu algoritmo te da nÚmeros enteros o clasificaciones como "perro"/"gato" en vez de darte la probabilidad de que sea perro. CÃģmo se modificarÃa el "threshold" de 0.5 en este caso y cÃģmo se calcularÃa la curva ROC?
Muy buena aportaciÃģn, en mi caso estoy buscando calcular el AUC manualmente, he buscado como se obtiene pero los paquetes de estadÃstica ya lo traen por default, Âŋen tu ejemplo como obtendrÃa el valor de AUC y ROC?, espero me puedas apoyar con mi duda.
Hola. Inicias la explicaciÃģn usando la matrÃz de confusiÃģn (prediciÃģn vs realidad), sin embargo, cuando aplicas el punto de corte sÃģlo usas los valores (V/F) de "realidad". los cocientes que se obtienen con la matriz de confusiÃģn resultan diferentes a los que se obtienen sÃģlo tomando en cuenta sÃģlo "realidad". Te agradecerÃĐ mucho tus comentarios.
Gracias por el video! En mi caso, tengo que saber esto por temas de medicina... Y me he dando cuenta que en algunos artÃculos, al lado del valor del AUC, colocan un valor de "p", por ejemplo "AUC de 0.82 (p=0.112)". ÂŋQuÃĐ sÃgnica esa "p2? Espero puedas leer mi comentario. Ãxitos!
Hola Rodrigo! Es muy posible que este valor de p se refiera a lo que se conoce en estadÃstica como p-valor, que se calcula para medir si los resultados son estadisticamente significativos o, en otras palabras, si nos podemos fiar del valor del AUC obtenido
Hola! Hay varias de formas, depende del lenguaje de programaciÃģn o herramienta que estÃĐs usando. En python puedes usar, por ejemplo, sklearn.metrics.auc. En R esta, entre otros, el paquete ROCR.
Si sacas la curva roc del conjunto de entrenamiento no deberÃa dar siempre 1? Ya que le estÃĄs enseÃąando las etiquetas. Es que he visto un ejemplo donde sale 0,8 en el conjunto de entrenamiento
No exactamente, de hecho es un claro sÃntoma de lo que se llama sobreajuste (overfitting) del modelo. Si se "aprende" a la perfecciÃģn los datos de entrenamiento es muy probable que no sea capaz de generalizar y poder luego predecir correctamente nuevas observaciones. Se busca normalmente que la diferencia de AUC entre los distintos conjuntos de train/test/validaciÃģn serÃĄ muy pequeÃąa. Espero que te ayude!
Hola Julio, ese score representa la probabilidad que asignamos a cada observaciÃģn de que su valor real sea 1. Por ejemplo, un score de 0.8 representa que estamos al 80% seguros de que acabarÃĄ siendo un 1. Espero que te ayude un poco
La mejor explicaciÃģn para tener una primera idea de quÃĐ es una CURVA ROC y el AUC. Me hubiese gustado que incluyeran la forma de INTERPRETAR dicha curva. Saludos!
Excelente explicaciÃģn....superdidactica ...muchas gracias...
Muchas gracias por la explicaciÃģn!
Con mucho gusto
Excelente explicaciÃģn, he revisado bastante y lo has hecho tan fÃĄcil, que hasta uno de primaria entiende este tema, saludos
Me encantÃģ como enseÃąas! muy didactico todo.
BuenÃsimo, entendi todo todo, lo que otros explican difÃcil, aquà lo hicieron sencillisimo, gracias!
muy bien explicado, gracias
Gracias!!!!
Asà sà entendà muy bien. Millones de Gracias
Fantastico, muchas gracias por el video
Un placer RaÚl, espero que te haya servido
Muchas gracias por el video!
Gracias! excelente video, por fin pude entender esta vaina
Nos alegramos mucho de que te haya servido!!
MagnÃfico, entendà perfectamente.
Muy divertido, interesante y, sobretodo, muy bien explicado. Sigue asi. Quiero mÃĄs!
Mas claro imposible! excelente video, saludos desde Argentina
MUCHISIMAS GRACIAS ESTA GENIAL, SIGUE ASI DE VERAS!!!!!
Gracias bro. Muy practico
Excelente explicaciÃģn, te tomaste el tiempo de hacerlo a mano.
Gracias!
Me encantÃģ.
Mejor explicado imposible.
Muchas gracias! ð
Muy bien explcado
Te felicito muy buen canal! por la cuestiÃģn de la pandemia he comenzado a estudiar Data Science en Acamica aquà en Argentina y estos canales explicativos facilitan mucho el entendimiento. Saludos!
Muchas gracias por el comentario! Nos alegramos mucho de que te sean Útiles nuestros vÃdeos
hiciste que un chaval de 15 aÃąos aprendiz de IA comprendiese esta grafica esencial para los modelos de clasificaciÃģn, mil gracias tio!
De nada, para eso lo hacemos :)
Sigue dÃĄndole caÃąa a esto de la IA que viene un futuro prometedor
pero que buen video amigo, ustedes deberÃan si o si tener mas suscriptores, saludos !!
Estupendo ððð
Gran contenido pibe
Muchas gracias!!!!
Nuevo sub!
Muy pedagÃģgico
Genial explicaciÃģn! Mi Única pregunta tiene que ver con que ROC/AUC se suele utilizar para problemas de clasificaciÃģn como el tuyo (0 Ãģ 1). Sin embargo tÚ obtienes probabilidades. CÃģmo aplicas la misma lÃģgica si en vez de probabilidades, tu algoritmo te da nÚmeros enteros o clasificaciones como "perro"/"gato" en vez de darte la probabilidad de que sea perro. CÃģmo se modificarÃa el "threshold" de 0.5 en este caso y cÃģmo se calcularÃa la curva ROC?
Excelente vÃdeo. PodrÃas explicar un ejemplo con clasificaciÃģn de varias clases ?
Claro, lo apuntamos a lista de videos pendientes
Buenos dÃas, quisiera que me explique de acuerdo al video, donde o como se ubica la HipÃģtesis H0 y H1
Muy buena aportaciÃģn, en mi caso estoy buscando calcular el AUC manualmente, he buscado como se obtiene pero los paquetes de estadÃstica ya lo traen por default, Âŋen tu ejemplo como obtendrÃa el valor de AUC y ROC?, espero me puedas apoyar con mi duda.
Podrias calcularlo con excel por ejemplo. Ordenando los scoring y calculando las medidas del video
Hola. Inicias la explicaciÃģn usando la matrÃz de confusiÃģn (prediciÃģn vs realidad), sin embargo, cuando aplicas el punto de corte sÃģlo usas los valores (V/F) de "realidad". los cocientes que se obtienen con la matriz de confusiÃģn resultan diferentes a los que se obtienen sÃģlo tomando en cuenta sÃģlo "realidad". Te agradecerÃĐ mucho tus comentarios.
Gracias por el video! En mi caso, tengo que saber esto por temas de medicina... Y me he dando cuenta que en algunos artÃculos, al lado del valor del AUC, colocan un valor de "p", por ejemplo "AUC de 0.82 (p=0.112)". ÂŋQuÃĐ sÃgnica esa "p2? Espero puedas leer mi comentario. Ãxitos!
Hola Rodrigo! Es muy posible que este valor de p se refiera a lo que se conoce en estadÃstica como p-valor, que se calcula para medir si los resultados son estadisticamente significativos o, en otras palabras, si nos podemos fiar del valor del AUC obtenido
ÂŋY no tendrÃamos que decidir cual es el mejor punto de corte? O sino cual es el objetivo de todo esto?
y como se puede saber el valor del area bajo la curva? muchas gracias
Hola! Hay varias de formas, depende del lenguaje de programaciÃģn o herramienta que estÃĐs usando. En python puedes usar, por ejemplo, sklearn.metrics.auc. En R esta, entre otros, el paquete ROCR.
Si sacas la curva roc del conjunto de entrenamiento no deberÃa dar siempre 1? Ya que le estÃĄs enseÃąando las etiquetas. Es que he visto un ejemplo donde sale 0,8 en el conjunto de entrenamiento
No exactamente, de hecho es un claro sÃntoma de lo que se llama sobreajuste (overfitting) del modelo. Si se "aprende" a la perfecciÃģn los datos de entrenamiento es muy probable que no sea capaz de generalizar y poder luego predecir correctamente nuevas observaciones. Se busca normalmente que la diferencia de AUC entre los distintos conjuntos de train/test/validaciÃģn serÃĄ muy pequeÃąa. Espero que te ayude!
Si el clasificador es binario, como se puede obtener un Score numÃĐrico real basado en los resultados del modelo ? 02:11
Hola Julio, ese score representa la probabilidad que asignamos a cada observaciÃģn de que su valor real sea 1. Por ejemplo, un score de 0.8 representa que estamos al 80% seguros de que acabarÃĄ siendo un 1. Espero que te ayude un poco