Muestra las diferencias entre dos versiones de la página.
Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa Última revisión Ambos lados, revisión siguiente | ||
clase:iabd:pia:2eval:tema07.metricas [2024/03/19 20:42] admin [Ejercicios] |
clase:iabd:pia:2eval:tema07.metricas [2024/03/20 15:48] admin [Mejores valores de las métricas] |
||
---|---|---|---|
Línea 616: | Línea 616: | ||
Más información en: | Más información en: | ||
* [[https:// | * [[https:// | ||
- | * [[tema07-apendices-metricas]] | + | * [[tema07.metricas_derivadas]] |
Línea 698: | Línea 698: | ||
- | |||
- | |||
- | ==== Area under the curve (AUC) ==== | ||
- | La Area under the curve (AUC) es una métrica que nos dice el área de una curva ROC. Pero pasemos primero a explicar que es una curva ROC. | ||
- | |||
- | Lo primero es que cuando predecimos que ciertos valores son Positivos o Negativos, lo hacemos en base a un umbral. Normalmente si algo es menor o igual que 0.5 decimos que es '' | ||
- | |||
- | |||
- | En las siguientes gráficas vamos a ver como afecta a nuestro modelo el variar el umbral. | ||
- | |||
- | {{ : | ||
- | |||
- | Vamos a explicar cada columna de la imagen anterior: | ||
- | * 1º Columna: Se muestra la distribución de los Positivos y los Negativos que ha hecho el modelo. Pero según el umbral podrán ser True Positive (TP), True Negative (TN),False Positive (FP) y False Negative (FN) | ||
- | * 2º Columna: Se muestra como evolucionan | ||
- | * Se cuenta cuantos Positivos hay bajo el umbral que serán los False Positive (FP) | ||
- | * Se cuenta cuantos Positivos hay sobre el umbral que serán los True Positive (TP) | ||
- | * Se cuenta cuantos Negativos hay bajo el umbral que serán los True Negative (TN) | ||
- | * Se cuenta cuantos Negativos hay sobre el umbral que serán los False Negative (FN) | ||
- | * 3º Columna: Se calculan las métricas de //True Positive Rate (TPR)// y //False Positive Rate (FPR)// según las siguientes fórmulas: | ||
- | |||
- | |||
- | \begin{align} | ||
- | True \: Positive \: Rate \: (TPR) &= \frac{TP}{TP+FN} \\ False \: Positive \: Rate \: (FPR) &= \frac{FP}{FP+TN} | ||
- | \end{align} | ||
- | |||
- | * 4º Columna: Muestra el //True Positive Rate (TPR)// frente a //False Positive Rate (FPR)//. Es decir que cada punto la '' | ||
- | |||
- | Cada una de las filas de la imagen son predicciones distintas, siendo: | ||
- | * 1º Fila: Una predicción perfecta. | ||
- | * 2º Fila: Una predicción buena | ||
- | * 3º Fila: Una predicción mala en la que falla lo mismo que acierta. Sería como hacerlo aleatorio con un 50% de probabilidades de acertar. | ||
- | * 4º Fila: Una predicción nefasta que falla la mayoría de las veces. | ||
- | * 5º Fila: Una predicción lamentable que nunca acierta. | ||
- | |||
- | Entonces, ¿Que es la Area under the curve (AUC)? **Es el área de la curva ROC** es decir el área rosa de las gráficas de la última columna. Si nos fijamos cuanto mejor es la predicción, | ||
- | |||
- | {{ : | ||
- | |||
- | <note tip> | ||
- | Destacar que se hace uso de la métrica AUC que es una métrica como cualquier otra que tiende a 1 si es buena y a 0 si es mala pero lo que no vas a ver al usar la métrica de AUC es la curva ROC. La curva ROC se muestra para entender que significa la métrica AUC pero no se dibuja normalmente. | ||
- | </ | ||
- | |||
- | En keras podemos usar la métrica de AUC de la siguiente forma: | ||
- | Su uso en Keras es | ||
- | <sxh python> | ||
- | metrics=[tf.keras.metrics.AUC()] | ||
- | metrics=[" | ||
- | </ | ||
- | |||
- | y usarla como | ||
- | <sxh python> | ||
- | history.history[' | ||
- | history.history[' | ||
- | </ | ||
- | |||
- | |||
- | Mas información: | ||
- | * [[https:// | ||
- | * [[https:// | ||
- | * [[https:// | ||
- | * [[https:// | ||
- | * [[https:// | ||
- | * {{ : | ||
- | * {{ : | ||
- | * {{ : | ||
- | * [[https:// | ||
- | * [[https:// | ||
Línea 1020: | Línea 952: | ||
$$ | $$ | ||
- | Muestra un punto con el máximo de la gráfica y el threshold correspondiente al máximo | + | Muestra un punto con el máximo de la gráfica y el threshold correspondiente al máximo.Además para ese nivel de threshold, **imprime la sensibilidad y la especificidad** |
{{: | {{: | ||
Línea 1037: | Línea 969: | ||
- | ==== Ejercicio 5 ==== | + | ==== Ejercicio 5.A ==== |
Crea una nueva red neuronal para el problema del //bread cancer// | Crea una nueva red neuronal para el problema del //bread cancer// | ||
Línea 1048: | Línea 980: | ||
* Threshold vs Informedness (Muestra en el label el máximo) | * Threshold vs Informedness (Muestra en el label el máximo) | ||
+ | |||
+ | ¿Con que red te quedarías? | ||
+ | |||
+ | {{: | ||
+ | |||
+ | Además para el nivel de threshold de la red que ha " | ||
+ | |||
+ | ==== Ejercicio 5.B ==== | ||
+ | Con el modelo elegido, guarda el modelo a disco | ||
+ | |||
+ | |||
+ | ==== Ejercicio 5.C ==== | ||
+ | Con modelo que has elegido, cárgalo desde disco en otro Jupyter notebook y realiza inferencia de 10 pacientes. | ||
+ | |||
+ | Para cada paciente: | ||
+ | * Indica su prevalencia (te la tienes que inventar de forma aleatoria) | ||
+ | * Indica la probabilidad de que la red haya acertado. | ||