Objetivo

Comprender la importancia de generar una interpretación asertiva de los modelos de aprendizaje automático.

Descripción

A través de esta experiencia educativa el aprendedor será capaz de analizar la forma en la que los modelos de aprendizaje automático se interpretan para generar la mejor decisión dentro de alguna situación establecida.

Haz clic para revisar la explicación.

Interpretación de modelos de aprendizaje automático

Revisa el siguiente video:

Para conocer más sobre interpretación de los modelos de aprendizaje automático, revisa el siguiente video:

• AI Show. (2020, 18 de mayo). How to explain models with InterpretML Deep Dive [Archivo de video]. Recuperado de https://learn.microsoft.com/es-es/shows/ai-show/how-to-explain-models-with-intepretml-deep-dive

Revisa las siguientes lecturas:

Para conocer más sobre interpretación de los modelos de aprendizaje automático, te recomendamos leer:

• aprendemachinelearning.com. (2019). Interpretación de Modelos de Machine Learning. Recuperado de https://www.aprendemachinelearning.com/interpretacion-de-modelos-de-machine-learning/
• Arcos, J. (2019). El peligro de no interpretar las predicciones de tus modelos. Recuperado de https://www.bbva.com/es/el-peligro-de-no-interpretar-las-predicciones-de-tus-modelos/
• datascience.eu. (2019). Interpretación de su modelo de aprendizaje profundo por SHAP. Recuperado de https://datascience.eu/es/aprendizaje-automatico/interpretacion-de-su-modelo-de-aprendizaje-profundo-por-shap/
• Rubio, C. (2020). Generación de modelos de predicción a través de aprendizaje automático. Recuperado de https://oa.upm.es/65083/1/TFG_Jun20_Rubio_Garcia_Carmen.pdf

Objetivo

Analizar la forma en la que se interpretan los diferentes modelos predictivos.

Instrucciones

El siguiente enlace es externo a la Universidad Tecmilenio, al acceder a él considera que debes apegarte a sus términos y condiciones.

1. Escoge un modelo de clasificación no lineal disponible en el catálogo de modelos supervisados de scikit-learn (https://scikit-learn.org/stable/supervised_learning.html). Utiliza el conjunto de entrenamiento (train) para generar el modelo:
1. Explica el tipo de modelo seleccionado. Utiliza una investigación propia para brevemente explicar los fundamentos del modelo seleccionado.
2. Muestra el código de implementación y desarrollo del modelo con comentarios y explicaciones.
3. ¿Cuál es el rendimiento predictivo del modelo de clasificación no lineal? Calcula e interpreta con las métricas propuestas en la introducción.
4. Si consideras cualquier modelo lineal ¿El modelo no lineal tiene un mejor o peor rendimiento en el conjunto de prueba respecto al modelos de regresión logística? Explica e interpreta los resultados.

Checklist

• Se selecciona un modelo de clasificación no lineal.
• Se explica el tipo de modelo seleccionado con base en tu propia investigación.
• Se muestra el código de implementación.
• Se genera e interpreta el modelo predictivo establecido.