B ah al e [Música] chicos posible porque seis partid al al Hola buenas tardes buenas buenas tardes e k Buenas tardes a todos se me escucha bien muy bien veo que se me escucha dar un minutillo para que vaya entrando la gente e me V como siempre mientras va entrando la gente os dejo aquí la pantalla para que vayáis entrando en el kajur no 30 segundos [Música] Vale pues vamos vamos a empezar Ya bueno primero de todo Buenas tardes a todos Bienvenidos a esta nueva clase de soporte y para los que estáis entrando ahora os
he dejado en el chat el link del kahot ir entrando Porfa y porque voy a quitar la pantalla en breve y si no bueno lo tenéis ahí en momento lo primero de todo algunos me quiere decir os acuerda de de que fue la Clase pasada efectivamente modelo predictivo vale eh vamos a explicar un poco también el caso muy por encima un repaso de minutos por si alguno se perdió la clase para que se ponga rápidamente al dejar de compartir esto voy a compartir toda mi pantalla y Bueno antes de nada vale vamos a hacer un
pequeño repaso ahora luego vamos a continuar con nuestro ejercicio que Empezamos la semana pasada vamos a ver otras compes y vamos a terminar pues hablando de técnicas un poco más avanzadas Ya entrando en profundidad en Machine learning que también iremos implementando a a nuestro ejercicio y también hoy vamos a ver todavía sin entrar en en ia e Cómo mejorar el modelo para obtener mejores resultados eh hoy tengo Solamente una pantalla Entonces no voy a estar muy atento al Chat vale haré parones por si queréis preguntar algo y mirar el chat Así que Os pido porfa
que no eh No interrumpa Así vamos avanzando en la clase y y respetemos esos esos parones de preguntas lo primero de eh antes de nada eh para el que no se se acuerde o no pudo estar en la la semana pasada vale habíamos planteado un ejercicio que estábamos simulando Pues que teníamos información de 100 lads que habíamos Obtenido por distintas vías eh que habíamos interactuado de una manera u otras eran todos Bueno datos ficticios pero que habíamos creado Esa esa tabla con datos para poder implementar distintas técnicas y Nuestro objetivo era ver la probabilidad de
conversión de un lit entonces la semana pasada implementamos o vimos lo que era la regresión lineal hoy Vamos a repasar brevemente lo que hicimos y vamos a ver cómo mejorar eso qué otros tipos de de Regresiones podemos utilizar y vamos a terminar la reunión de hoy en la sesión de hoy hablando de de otras técnicas de Machine learning vale vamos a volver al Excel no sé si os acordáis vale que vimos aquí que teníamos lo que os está diciendo la tabla que teníamos distintos variables que era fuente de adquisición pues podemos ver que vienen pues
podían venir de redes sociales email marketing referido anuncios orgánicos el número de Interacciones que habíamos que había interactuado pues la empresa con esir el presupuesto invertido para ganar ese l días desde el primer contacto que hayan pasado eh la Fuente numérica bueno fuente de adquisición pero con un valor pero alguno se anima bueno no os preocupéis vamos a ir repasando concep simplemente Perdón no llegamos a la conclusión de que faltaban Datos ahora no me acuerdo Efectivamente es decir no llega sí no llegamos a a profundizar mucho vimos un poco por encima no ejecutamos el modelo
pasamos eh Hablamos de un poco de las variables tal y y dijimos que no era demasiado significativo no Este modelo que no no no servía mucho para Nuestro objetivo de hecho algunos se avanzó ya la clase de hoy hablamos de si este era el modelo ideal o no de si realmente estábamos Calculando una probabilidad o estamos calculando otra cosa Ahora vamos a ir viendo todos losos temas que ya alguno se planteó la semana pasada y y vamos y vamos avanzando entonces Vamos a repasar rápido Sí una consulta perdone eh Usted dijo en la clase anterior
que si r Square era alto y se me cortó la la transmisión Qué significaba Vamos a repasar ahora todas las variables Dale Antes de antes de continuar os he hecho vale compartí la Semana pasada esta carpeta donde podéis acceder de hecho a la clase de hoy también os he creado aquí una especie de glosario que es un con varios términos que vamos a utilizar durante estas sesiones vale aquí explicamos varias cosas que vamos a ir viendo entonces ahí ahí lo podéis ver de todas formas yo en las clases voy a voy a ir explicando también
a medida que vayamos viendo todos los términos pero luego por si no ha quedado algún término Claro después de la sesión podéis echarle un vistazo Perdón alguna pregunta algo Sí están pidiendo si puedes mandar de vuelta el enlace Ah sí vale perfecto lo comparto un segundo enlace vale os lo paso por el chat el tema de hoy y Ah y ahí lo tenéis Vale entonces repasamos un poco rápidamente los Términos que habíamos sacado habíamos utilizado la extensión de xlm miner vale que si alguno quiere preguntar algo sí pero no no sé si es que algui
micrófono abierto vale por favor eh eh acordaos de silenciar el micrófono Gracias creo que wandy que lo tiene abierto vale vale perfecto Es que no sabía si quería decir algo sa había queda abierto Muchas gracias vale que habíamos utilizado eh El la extensión esta XL miner vale que nos permitía hacer distintas aplicar distintos algoritmos aplicamos regresión lineal el otro día y nos y de aquí sacábamos pues distintas había nos devolvía distinta información todo esto era eh lo que nos generaba esta extensión Vamos a repasar algunos que múltiple multipo r o r como queráis llamarlo vale
repasamos rápidamente que esto lo que hacía era medir la fuerza de relación Entre las variables independientes es decir las variables independientes dijimos que estas interacciones presupuesto invertido ta ta ta ta y nuestra variable dependiente del problema era eh la conversión Y entonces esto lo que hace es mid la fuerza de relación entre las variables independientes y la variable dependiente entonces en concreto este valor que nos daba un 0,39 más o menos pues lo que nos sugiere Es que hay una relación más o menos moderada Pero débil entre las variables vamos que en otras palabras Eh
nuestras variables independientes expli parte de las conversiones pero no pero no de una manera muy fuerte es decir que no termina de haber una explicación muy lógica como que falta más variables para o más información para para que tenga sentido Esa esa conversión yo hice la parte con el ejercicio con la con la regresión Logística y y me dio peor justamente por eso porque como que faltaban más variables ahora ahora vamos a ver de hecho la regresión logística es el siguiente paso ahora ahora comparamos las dos el r Square que habis preguntado antes pues este
nos indica el porcentaje de la variabilidad de conversión es decir si un l convierte o no y es decir el porcentaje Exacto que está siendo explicado por las variables indep Nos dice pues esto que solamente pues alrededor de un [Música] 15% pues se puede atribuir a esas variables que estamos utilizando esto y esto Bueno es un valor muy bajo y por tanto no explica muy bien las conversiones el adjust r Square pues es muy similar a a lo que tenemos arriba pero acordados que lo que dijimos la semana pasada que es un valor ajustado al
número de Variables en el modelo es y este valor se suele utilizar es bastante útil porque se suele penalizar el hecho de agregar variables que no mejoran el realmente la capacidad predictiva es decir que no por usar más variables va a predecir mejor es lo que siempre hemos hablado no hay que buscar un equilibrio y seleccionar bien las variables que tienen sentido para nuestro para el resultado esperado vale otro dato así bueno perdón Se me olvidado el estándar error que lo que dice es que indica la dispersión de los puntos de datos alrededor de de
la línea de regresión y que un valor bajo eh Cuanto más bajo es este valor pues es mejor ya que significa que el modelo se ajusta mejor a los datos en este caso Nos está dando un valor alrededor del 046 Entonces no está diciendo que el modelo Tiene una dispersión relativamente alta de nos debería ha para que fuese bueno el modelo Pues Bueno los datos tendría que ser bastante bastante bajo otro dato que vimos era este el significance F vale que acordaos que hablamos que este valor nos dice si nuestro modelo en su conjunto es
estadísticamente significativo eh acordaos que nos marcamos la la cifra del cero coma eh eh Perdón 0,05 vale que todo lo que estuviese por debajo de este valor era significativo y Lo que estuviese por arriba Pues no tanto meda que fuese incrementando pues cada sería sería menos Y por último de aquí de datos que nos sacaban a los coeficientes de las variables teníamos eh el intercept este que indica el valor esperado de la conversión cuando todas las variables independientes son cero entonces un valor negativo nos está lo que nos quiere decir es que sin estas variables
independientes que hemos aplicado Eh la la probabilidad sería negativa lo que por tanto es algo que no no es realista y y no tiene ningún tipo de sentido el resto de coeficiente son las de nuestras variables independientes entonces en concreto en para el problema del otro día las interacciones era un número positivo eh que lo que nos estaba diciendo que cada interacción adicional que tenga un liad con la empresa pues la probabilidad De conversión aumenta el presupuesto invertido Pues aquí nos está diciendo todo lo contrario que aunque que muchas veces pensamos no que invertimos más
y así convertimos más Pues bueno aquí nos está en base a los datos que le hemos pasado nos está diciendo que el presupuesto invertido no tiene tanta relevancia es decir que aquí resta más que suma Perdón J una pregunta Entonces eso significa que esas variables se pueden Retirar del modelo porque no tienen relevancia y así simplificar el el dataset sí es decir una una también dato para fijarnos si es relevante o no es a esto porque esto es un modelo de regresión lineal que es algo muy sencillo e no hay complejidad de relación entre las
variables Entonces es que no es el modelo adecuado es muy difícil pero sí que en este caso si Simplemente nos Basán para calcular esa probabilidad y se podría casi obviar Que obtendríamos prácticamente el mismo resultado eh De hecho otra de las cosas que nos dice aquí que es esta columna la de p value vale que nos está diciendo en concreto para el presupuesto invertido que está en torno al 0446 eh es un p value muy muy alto lo que nos indica esta variable es que no sería significativo el modelo aquí ocurre un poco como lo
que habíamos Dicho aquí vale todo lo que esté por encima eh del 0,05 es que es poco para este Modelo Si os fijáis aquí realmente la que la que más nos sirve para encontrar una relación frente a esa probabilidad de conversión es el número de interacciones es lo que encontrar el modelo Tiene un número un número aquí bajo por tanto esta variable es significativa para nuestro modelo y encima el coeficiente es positivo por lo que nos está diciendo Que cuantas más interacciones más fácil que convierta el presupuesto invertido todo lo contrario resta más que suma
días aquí pues es también positivo pero es un número muy muy pequeño encima el p value que es 069 es muy muy alto y por tanto no es significativo Es decir un coeficiente tan pequeño y encima nos dice que no es significativo se sirve contabiliza algo pero apenas se va a notar a no ser que Tengamos muchísimos muchísimos datos fuente numérica Pues un poco eh más de lo mismo es decir que estadísticamente nos dice que no es significativo así que realmente aquí la variable independiente que más nos sirve sería la de interacciones Aquí vemos un
poco por eso sacado aquí el gráfico de eh valor estimado de conversión versus interacciones y aquí lo que Calcula eh eh interacciones que el valor estimado de conversión creo que no llegamos Porque no nos dio tiempo a explicar cómo se calculaba vamos a irnos aquí a la presentación que he puesto la fórmula vale en la regresión lineal estamos calculando un valor numérico entonces para calcular esa probabilidad o valor numérico ahora eh hablaremos de si realmente es una probabilidad o no hemos utilizado esto Esta fórmula donde y es el valor que estamos prediciendo vale las x
son nuestras variables Independientes y esta primera de aquí es coeficiente nuestro intercept que lo tenemos aquí Entonces eso es lo que hemos aplicado ya selecciono la fórmula para que veáis vamos el intercept y luego cada variable vamos multiplicando el coeficiente por su valor y esto nos va dando como veis números muy pequeños entre están la mayoría entre ceros y uno pero vemos valores que nos chirrían por ejemplo que este es negativo Incluso en algún lado Creo que había algún valor por encima de uno que no no sé si está ahí o o a lo mejor
no hay ni uno pero por ejemplo nos da un valor negativo y aquí yo os lanzo mi primera pregunta esto que estamos calculando aquí es una probabilidad o no qui se anima a [Música] responder [Música] alguno pues no no es una probabilidad lo que estamos calculando lo que estamos Calculando es lo podemos llamar un valor eh valor estimado de verón por ejemplo como lo he llamado llamado yo aquí abajo en la Gráfica no es una probabilidad eh por una razón muy simple una regresión lineal eh no te limita los valores a c C y 1
puede dar valores por debajo de cer0 puede dar valores por encima de uno es decir es continuo qué pasa con esto no no tiene ningún tipo de sentido Probabilidades que sean superiores al 100% probabilidades que sean negativas una probabilidad de men 20% no una probabilidad siempre va de cer0 de 0 a 100 por tanto ya lo comentaste el otro día alguno eh No era correcto llamarlo probabilidad utilizar la palabra probabilidad porque en realidad no es probabilidad Pero bueno yo lo empleé en la primera clase también para que entender un poco el objetivo de del ejercicio
y también para que vieseis Cómo va evolucionando e así como reflexion eso un poco de este primer ejercicio de regresión lineal Aunque hayamos encontrado pues una relación entre las interacciones y la conversión el modelo en su conjunto podríamos decir que no está prediciendo bien las conversiones [Música] eh Ya que mira simplemente el valor este [Música] [Música] se cortó no hay un ruido feo hay un ruido raro lo que acabo de decir no intentar eh más significativas por ejemplo yo que sé la calidad el perdido te perdimos todos habéis perdido Sí pero me escucháis bien ahora
o ahora sí pero estabas hablando y todo lo que estab diciendo eh os habis dónde me habéis perdido más o menos o ha sido general o no el inicio de la presentación que Estabas explicando Bueno no sé si habéis escuchado Esta última parte de de posibles mejoras o tal o eso lo que faltaba que se ha cortado a mitad de conversación vale vale Bueno pues rebobino más o menos un minuto lo que está explicando aquí que lo que hemos visto el res al final eh que aunque hayamos sacado esta relación de interacciones eh y valor
estimado de conversión que es Es un modelo que no Nos está diciendo mucho porque nos hemos fijado en este que solamente un 15% de las variabl un 15% es un valor muy bajo y nos dice que eh las variables que hemos utilizado apenas aportan información para justificar o o darle credibilidad a esa predicción que estamos tratando eh de realizar entonces aquí la manera de mejorarlo es Añadir otras nuevas variables aquí que no están Pues que podrían ser pues tiempo yo que sé de Visita en la página web eh calidad del LD Eh pues canal de
comunicación del LD más variables que se nos vayan ocurriendo que puedan justificar o que creamos que tiene relación con esa conversión Y tratar de aumentar o ya se puede emplear otros modelos que vamos a ver ahora otro o ya utilizar una inteligencia inicial modelos de Machine learning mucho más avanzados vale vamos a ir al kahot Ahora vamos a empezar vale si alguno no ha entrado todavía hasta tiempo en el chat puede acceder en cualquier momento Vamos a repasar rápidamente alguna de las cosas que hayamos visto de conceptos para reforzarlos y y que así está todo
claro antes de pasar al siguiente nivel Qué mide el r Square la fuerza de las interacciones la capacidad predictiva del modelo el Ajuste de los residuos la cantidad de datos La respuesta es la eh la capacidad predictiva del modelo recordad que el r nos indica Qué porcentaje de la variabilidad de la en la variable dependiente es explicado por las variables independientes Cuanto más alto mejor ajusta el modelo a los datos lo que hemos acabo de explicar justo antes que en este caso Nos está dando un 15% Y eso es que teníamos este porcentaje Pues que
Estaba explicado por las variables pues independientes pues tenía un peso muy muy muy muy bajo y que la manera de aumentar esto pues era Añadir otras variables nuevas que no están aquí que puedan aumentar esto siguiente pregunta qué significa un p value menor de 005 la variable signific el modelo está mal ajustado los datos no son válidos hay sobreajuste efectivamente la variable es Significativa creo que habéis fallado la mayoría aquí en esta vale recordad hemos dicho que al igual que aquí que el signific F cuando es por debajo de 005 es que está var es
significativa cuando era Tenía un valor alto es que no era significativa para nuestro modelo por eso para el caso de interacciones que hemos visto tenía un coeficiente mayor de cero por tanto es bueno porque tiene tiene importancia en nuestro modelo de predicción y tenía Un p value muy muy bajo por lo tanto sí que es muy significativo en cambio los otros os fijáis que están muy por encima de del 0,05 siguiente pregunta qué variable fue más significativa en la regresión lineal lo he dicho ya varias veces a lo largo de la sesión de hoy presupuesto
invertido interacciones fuente numérica días desde primer contacto efectivamente interacciones Eh justo por lo que acabo de explicar hace 30 segundos es positiva y encima Tiene un p value bajo Vale entonces vuelvo a la pregunta que he lanzado al principio al principio de la sesión de hoy que es Es realmente Una probabilidad lo que calculamos el otro día lo he explicado hoy alguno que quiera volverlo a explicar hola hola sí finalmente yo veo ese valor que Obtuviste allí entre 0 y un Y ese es un valor de probabilidad puede que por los datos te esté dando
eh valores entre 0 1 pero no quiere decir que siempre vaya al 01 da la casualidad que a lo mejor con los datos que hemos utilizado yo por ejemplo aquí en en este mismo ejemplo estoy viendo un dato negativo por tanto ya a mí ya no me sale un dato entre 0 y un puede darse la casualidad de que est acotados todos entre C y un pero Eh No es una probabilidad vamos a a justificar por nos una probabilidad es decir eh insisto la probabilidad verdadera tiene que ser un modelo que siempre te garantice eh
que un número está entre 0 y 1 Perdón alguien Alguien ha dicho algo ahora que quería hablar no sí iba a confirmar que no probabilidad eh Porque no es probabilidad entre 0 y 100 y no Con negativos Estos son números continuos iba a confirmar lo que estabas preguntando efectivamente son números eh números continuos es decir al final lo que el otro día estábamos calculando lo que llamábamos probabilidades de conversión en realidad en un modelo lineal no lo que estamos generando es una línea recta que son no deja de ser números números continuos entonces Eh si
lo que está diciendo no al final si nuestro modelo está prediciendo que tiene un valor de 1,3 o por ejemplo de -0,2 realmente lo que estaríamos diciendo es que tiene una probabilidad de conversión del 130 por o del - 20% por lo tanto esto no tiene sentido y y estaría mal las probabilidades insisto tienen que ir del 0% al 100% o entre C y 1 entonces lo que estamos calculando nosotros Es un número continuo como bien habéis dicho Ahora que lo que refleja es Cómo se relacionan las variables independientes vale nuestras variables independientes que son
estas pero independientes con la probabilidad de conversión interacciones tal tal tal tal con nuestra probabilidad de conversión con nuestra variable eh dependiente y este número no tiene por qué estar limitado entre 0 y 1 la Cómo solucionamos Esto bueno la primera conclusión que sacamos de aquí es que esto no nos sirve para calcular probabilidades de conversión para este problema o caso concreto que hemos eh desarrollado Entonces ahora viene la segunda pregunta que nos tendríamos que hacer es una regresión lineal ideal para este ejercicio Pues bueno aquí ya ya también la semana pasada alguno lo dijo
eh La respuesta es básicamente no es decir no Es la mejor opción justo para el tipo de ejercicio que hemos planteado que lo que queríamos era predecir si un l convierte o no Ya que necesitamos un resultado que siempre nos garantice que esté entre los valores 0 y 1 un resultado vamos Porque nuestro nuestro resultado final al final nuestra conversión numérica no es un es binario es de a o b de sí o no c o un Entonces no tengos que garantizar que siempre Estén entre esos dos valores la regresión lineal puede ser útil pero
para otro tipo de caso completamente distinto otro planteamiento o otra cosa que queramos calcular No es que sea un modelo eh que no sirva para nada no nos ha servido para nuestro para lo que hemos planteado nosotros pero es útil por ejemplo cuando queremos predir un valor continuo pero en este caso como queremos una probabilidad de conversión lo que requiere es otro Enfoque Entonces qué otras opciones hay para pues como necesitamos algo que nos d acote entre o y un para este ejemplo en concreto lo mejor sería una regresión logística que sería algo muchísimo muchísimo
muchísimo más adecuado si parece vamos a duplicar esto rápidamente le cambiamos el nombre regresión logística y vamos a ver qué valores nos Da me voy a cargar esto y vamos a hacer como la semana pasada nos abrimos el X este José una pregunta sí Luis Felipe Por aquí sí da la impresión de cuando dice que son de alguna manera valores binarios pareciera que los algoritmos que tienen más sentido son aquellos basados en tomar atributos y hacer estructuras binarias saben como algoritmo que te toman árboles y así V llegando a la a la decisión final que
no Sé si lo vas a considerar después en eh a futuro vamos a ir entrando en detalle en eso ahora ahora explicaremos más cosas vale eh Ahora contesto a esa pregunta pero quiero avanzar un poco en esto si no porque esto ya es nuevo de hoy y hasta ahora hemos hecho un poco repaso y se se nos va el tiempo ahora luego abrimos también un un espacio un ratito para dudas preguntas y y Comentamos todas estas cosas Eh vale el input como el otro día nuestro input nuestra salida lo que queremos es pasarle esto nuestra
conversión numérica vale seleccionamos seleccionamos aquí el rango lo tenemos eh lo que vamos a hacer es estas cuatro variables son las que le vamos a pasar igual que el modelo lineal así vemos la Diferencia le vamos a decir que nuestra primera casilla son está el nombre y vamos a decirlo que nos lo ponga ahí vamos a crear y nos saca distintos valores que vamos a analizar ahora antes de analizar estos valores vamos a volver un segundo al kahut vamos a hacer otra tanta de preguntas es realmente Una probabilidad Lo que calculamos el otro día simplemente
para confirmar y que hemos entendido todos lo que acabamos de lo que acabo de explicar respuesta de sí o no verdadero o falso Pues aquí la respuesta Efectivamente es falsa es decir lo que el otro día calculamos no Era una probabilidad porque no podemos garantizar que esté entre valores c y un lo que predice el modelo ya que nos Genera valores continuos que es una recta que puede ser infinita al final siguiente pregunta es una regresión lineal ideal para este ejercicio verdadero falso Pues lo mismo es lo que acabamos de estar explicando a ver si
está acertamos todos efectivamente falso es decir no es ideal por lo que hemos dicho Entonces ahora vamos a plantear una ión logística A ver si funciona mejor otra pregunta qué tipo de valor calculamos con regresión lineal probabilidad verdadera un valor continuo probabilidad entre 0 y 1 días desde primer contacto un valor continuo hemos dicho no es un valor continuo que al final lo que nos genera es una recta puede ser nos puede dar todo tipo de de valores ahí y última pregunta está tanda Cuál es un problema de la Regresión lineal para este ejercicio solo
predice valores entre 0 y 1 no predice valores negativos puede predecir valores fuera de 0 y un no incluye variables categóricas efectivamente nuestro principal problema que hemos detectado con nuestro modelo de regresión lineal es que nos podía eh predecir valores fuera de 0 y 1 no hemos puesto el ejemplo en concreto en este nuestro ejemplo Teníamos un valor negativo aquí y esto eh hace que no no nos sirva vale continuamos con nuestra regresión logística entonces aquí Vamos a repasar un poco también de resultados de cosas eh que nos sacan porque veréis que hay variables distintas
que todavía no no hemos visto simplemente decir que aquí funciona Exactamente igual el tema coeficientes El intercept Estas son las nuevas que Vamos a ver pero antes de nada vamos a calcular rápidamente la probabilidad y ahora ahora explicamos el motivo de cada uno aquí la probabilidad estas estas preguntas ya nos las hemos hecho vale para la región logística sí que vamos a calcular una probabilidad de verdad de conversión Entonces ya nos va a dar un valor entre 0 y 1 y la manera de hacerlo vamos a aplicar esta fórmula de aquí V donde p es
la probabilidad de Conversión es una constante eh matemática vale Y el el intercept y nuestros coeficientes de las variables y nuestras valores numéricos de nuestras variables independientes Entonces vamos Aquí vamos a cargar esto y hemos dicho que es 1 entre uno más vale para que vayáis e y ahora ya vamos con cada cada variable Perdón vale tenemos hemos dicho Este valor más y ahora vamos pues interacción interacciones por Bueno aquí perdon lo que quiero es bloquear estas ves y aquí multiplicamos pues interacciones por interacciones vale siguiente pres presupuesto Ah presupuesto por no me lo coges
presupuesto Invertido por presupuesto invertido vale para ir más rápido vamos a hacerlo así invertido por presupuesto invertido días de primer eh contacto es el siguiente por días de primer contacto que es nuestra columna e Y por último fuente numérica que es nuestra columna F esto lo arrastramos ha abajo y ahora sí que nos da todos los valores de hecho si nos fijamos en el antes en el negativo que era el lit 66 el lit 66 está dando negativo también bueno perdón que no me ID otro lado presión logística 66 aquí 0,077 ya no tengos ni
un valor eh negativo vale vamos a analizar ahora un Poco lo que nos nos ha salido aquí lo primero de todo aquí en regression static statistics tenemos el key Square este que nos da un valor de más o menos 16,5 este valor lo que está midiendo es la bondad del ajuste del modelo es decir un valor más alto indica que las variables independientes en el modelo eh tienen un efecto en la variable dependiente es decir que Cuanto más alto sea este valor quiere decir que eh las Variables independientes tienen mucho mayor efecto en nuestra variable
dependiente en este caso es la conversión Entonces el hecho de que ahora sea realmente alto e lo que nos está sugiriendo este modelo es que tiene cierta capacidad predictiva el siguiente el residual eh deviance lo mismo 117.25 así redondeando pues lo que nos está indicando eh también eh qu también Se ajusta Este modelo a a los datos Cuanto más bajo sea este valor mejor es el ajuste Eh entonces Bueno es un poco todavía tendríamos que ir jugando con los datos para saber si realmente es buo lo que nos está sacando o no nos Está sacando
eh iteration Este es el número de iteraciones que fueron necesarias para que el algoritmo convergieron contrara la solución Óptima y nos vamos a ir ahora a a los coeficientes una nueva una nueva columna aquí el ot ratio vale vamos a explicar rápidamente Qué son las ods que las ods eh ods ods eh lo que representa es la relación entre la probabilidad de que ocurra un evento y la probabilidad de que no ocurra es decir comparar la probabilidad es comparar la probabilidad de éxito Con la probabilidad de de fracaso luego Aquí los coeficientes nos Dicen cómo
cambia el logaritmo de las ods de que ocurra un evento Entonces por cada unidad de cambio en una variable independiente de que estas son nuestras variables independientes Eh Pues nos dice con cada unidad que cambiemos Pues cómo cómo termina afectando a nuestro a nuestro eh a nuestro modelo pero no me salía la palabra y luego y y luego Tenemos aquí el od ratio el od ratio pues Eh es una razón de probabilidades y lo que nos está diciendo es cuánto cambian eh las probabilidades directamente ahora vamos a analizar cada variable y así entendemos un poco
lo que nos quiere decir entonces en primer lugar el el intercept este nos dice que tiene un valor menos negativo este valor más o menos lo que nos está indicando es el eh indica el logaritmo de de de las SS vale Yo voy a explicar muy brevemente por Aquí tampoco me interesa mucho que entendáis todo el significado de esto simplemente lo explico rápidamente para que veáis un poco eh los resultados que sacan Pero si alguno se pierde o con alguna terminología que no se preocupe vale luego tenéis aquí el glosario lo vuelvo a repetir con
términos si echáis en falta alguno luego me lo decís por el chat y y lo añado ahí pero de todas formas como Este es un ejercicio que vamos a seguir durante Varios días el día cada sesión siempre hago un pequeño repaso como hoy he hecho con la regresión lineal pues próximo día repasaremos también un pelín todos estos conceptos para que vayan vayan calando Eh entonces esto nos nos Perdón estamos aquí en el intercept el coeficiente este valor lo que nos está indica es el logaritmo de las SS de conversión cuando todas las variables independientes es
cero entonces un valor negativo sugiere que Eh las probabilidades de conversión pues son muy muy bajas luego Tenemos aquí el dato del P value que lo que nos está diciendo que significa porque eh Perdón que me me he liado quería decir otra cosa me está equivocando aquí el el p value El intercept es significativo esto lo que significa es que no podemos asumir que la probabilidad de Conversión es 50% cuando las variables son cero esto tiene sentido ya que no esperamos que haya conversiones sin interacciones es decir si este valor no fuera significativo sería algo
incongruente entonces lo que nos está diciendo es que Oye un poco es lo mismo con esto En nuestro modelo no tiene sentido no funciona si no hay ni una variable independiente o si todo esto fuera cero si todo esto fuera cero Eh no habría ningún tipo de relación y por Tanto no no habría manera de de predecir luego con ya con nuestras variables independientes pues las interacciones nos vuelve a dar un valor positivo como la regresión lineal eh lo mismo esto dice que tiene relevancia el p value sigue siendo bastante significativo y el ratio nos
dice que por cada interacción adicional hay una cada vez que añadamos Una nueva interacción hay una probabilidad de probabilidad o que de 1,40 40 y que no leo 1 45 redondeando de de que de que convierta no ese lad final y lo mismo vamos analizando aquí pues el presupuesto vuelve a ser a no tener relevancia los días del primer contacto fenomenal sirven eh fuente numérica un poco eh eh lo mismo pues algo contabiliza pero Como tienen p values Eh pues no no aportan no aportan mucho es el un poco el resumen de lo que Podríamos
sacar de aquí es decir al final el resumen de lo que nos ha sacado la Bueno aquí un momentos puedo calcular interacciones Para que veamos la diferencia de gráfico nos está cogiendo la c1 y la i Sí esto nos lo está cogiendo bien entonces Bueno un poco de resumen Con la regresión logística que nos nos ha salido o los resultados que nos han salido Es que la variable independiente interacciones vuelve a ser la variable más importante y significativa de este modelo que por cada interacción adicional las SS de conversión aumentan significamente Eh entonces Esto es
lo que nos está diciendo que nuestros leads Cuanto más actúen con la empresa más fácil eh o más probabilidad mayor es la probabilidad de Que conviertan luego nos vuelve a a confirmar que el presupuesto invertido eh días desde el primer contacto y fuente numérica tienen un peso muy bajo apenas son relevantes en este modelo entonces eh por por en general el modelo Pues tampoco nos sirve mucho porque solamente encuentra una relación e de interacciones y y tampoco yo creo que no sería un modelo muy Muy muy válido como para eh hacerle caso Yo creo que
realmente lo que nos está diciendo el modelo como nos ha dicho también con la regresión lineal es que faltan más variables falta muchas muchas más variables eh para poder darle sentido lógica yo ahora vale Esto es lo que voy a hacer con vosotros así en directo un poco de hacerlo tengo yo me he planteado ya Bueno tengo el mismo ejercicio Replicado por mi cuenta que hemos hecho la regresión lineal podéis ver la diferencia un poco de gráficas se nota vale la pues la aquí en la regresión lineal lo de los valores que habíamos tenido uno
negativo esto tiende a ser una línea mucho más recta la regresión logística ya empieza a curvarse porque está todo limitado Entonces ya tiende a hacer una una curva siempre va a estar limitado entre cer y 1 y lo que vamos a hacer es mejorar Nuestro modelo pero como el modelo de regresión lineal hemos dicho que no tiene sentido vamos a seguir avanzando con el de logística y lo que vamos a hacer es meterle más variables vale si alguno luego quiere hacerlo en casa he metido aquí también en el Drive el el la Data csv por
si queréis importarlo luego vosotros en el Excel que incorpora pues las columnas estas amarillas eh más fuertes que son los nuevos Datos que hemos eh incorporado que son los de tipo de interacción frecuencia de interacciones tiempo desde la última interacción páginas vistas en el sitio web tiempo total en el sitio web entonces la primera frecuencia de interacciones qué es lo que queremos hacer con esta [Música] Pues en lugar de antes no estábamos contando Cuántas veces interactuaba se interactuaba con un l no Que era este teníamos c Pues ahora vamos a medir con lo hace es
decir cuántas interacciones por ejemplo ha tenido por semana por mes o por lo que decidamos hacer de momento vamos a decir por por semana entonces tiene Este primer L por ejemplo tiene 1 com dos interacciones por semana por qué puede parecer este esta variable útil bueno Esto También es importante preguntárselo si tiene utilidad o no las variables que Empleamos pues no es lo mismo un liad que interactúa no cinco veces en un mes por ejemplo que uno que interactúa eh cinco veces e en en un año lo lo mismo con bueno el tipo de interacción
vale la diferencia diferenciar no es lo mismo fuente de adquisición fuente de adquisición Es por donde nos llegó el lad pero luego el tipo de interacción que mantenemos con el cliente eh Aquí bueno en este ejemplo lo he hecho muy parecido redes sociales redes sociales pero a lo mejor me ha llegado por redes sociales pero luego el tipo de interacción que hago con ese cliente es es por teléfono con una llamada de teléfono o es por email o es a través de un chat entonces bueno hemos añadido esta nueva variable también luego el tiempo desde
la última interacción en días lo estamos midiendo pues la última vez que contact 4 días 5 Días tal eh páginas vistas en el sitio web las distintas páginas por las que navega entendemos considerado que es interesante que puede haber una relación Oye pues un un lad que navega mucho por nuestra web que ha visitado un montón de páginas Pues a lo mejor quiere decir o es más fácil que convierta porque quiere decir que se ha interesado más que otro que a lo mejor no ha navegado entonces Bueno Lo ponemos ahí para ver qué resultados saca
eh Y lo mismo con el tiempo pues alguno que estará 15 minutos navegando por nuestro sitio web frente a uno que navega 10 segundos pues probablemente sea más fácil eh conseguir que convierta el de el que navega más y nada lo que hemos hecho ha sido repetir lo mismo vale Y me he sacado aquí los Datos ya os lo enseño ya hecho para que veáis y nos sale datos muy distintos con respecto a la regresión logística aquí lo que hemos hecho ha sido añadirle todas las variables anteriores que hemos hecho aquí en regresión logística las
mismas cuatro y a este nuevo modelo mejorado le hemos añadido todas las nuevas y comparando el modelo anterior Con el modelo con estas nuevas variables y lo que nos está diciendo por ejemplo podemos ver aquí el el key Square vale que en el en el básico lo teníamos en torno al 16 ahora el 27 podéis ver que ha crecido considerablemente Pues nada Un aumento de este valor lo que nos está diciendo al final es que el nuevo modelo Tiene un mejor ajuste en la predicción de conversiones al incorporar estas nuevas variables por tanto las variables
Que hemos incorporado han sido positivas y ha mejorado considerablemente y esto quiere decir que nuestro modelo explica mejor las distintas variaciones de de los datos luego vamos a analizar por ejemplo el de interacciones que Vais a ver que aquí también el coeficiente lo voy a poner De hecho voy a aumentar a ver si puedo para que lo veáis más grande todo el coeficiente ha aumentado considerablemente con respecto Al modelo anterior creo que el modelo anterior estamos en 0 con3 y ha aumentado al cuat es decir que el Añadir nuevas variables ha ayudado incluso a potenciar
otras en en nuestro modelo Entonces eso que el impacto de interacciones ahora quiere decir que realmente tiene es mucho más fuerte de del que consideramos ya sabíamos que iba a ser importante porque nos lo estaban diciendo todos los modelos anteriores pero ahora nos Aseguramos de que tiene un valor bastante bastante un peso bastante importante y y fijaos aquí la shs que multiplica por 63 cada interacción nueva que se añade que es una barbaridad entonces las interacciones en nuestra variable estrella luego la nueva variable que hemos añadido de frecuencia de interacciones bueno tiene un valor negativo
bastante bastante bajo y y que Esto hace que Disminuya drásticamente la probabilidad de conversión entonces este resultado que nos ha dado lo que nos está sugiriendo es que en demasiadas interacciones en muy poco tiempo puede ser perjudicial a lo mejor hay que dejar un intervalo más grande y no mandar tantas interacciones a nuestro link si realmente queremos convertirlo páginas vistas en en el sitio web pues valor Positivo por lo que Resulta ser una variable significativa vale el p value también por debajo del 0,05 Entonces esto también dice que las páginas cuantas más páginas vean de
nuestro sitio web pues es más fácil que convierta y tiempo en el sitio web y sin embargo nos está diciendo disminuye la probabilidad un poco es decir que no es tan importante El mucho más importante Por ejemplo nos Está diciendo que las distintas páginas que hamos viendo que el tiempo que que le dedicamos y por ejemplo para comparar con el modelo anterior pues la Fuente numérica nos da aquí [Música] eh positivo que si os fijáis ha disminuido frente al anterior que era mayor plante numérica era 019 frente ahora un 0,0 ocho es decir sigue siendo
una variable Que no no es significativa pero el coeficiente ha disminuido ligeramente con el modelo anterior entonces eh lo que nos está confirmando es que realmente no tiene un gran impacto en nuestras probabilidades de conversión Y definitivamente nuestro presupuesto invertido sigue siendo es decir una variable que no significativa es decir que para nuestro modelo de predicción da igual el tiene no no tiene muy en cuenta la cantidad que Invertimos entonces bueno eh En conclusión de este nuevo modelo que hemos metido nuevas variables es que las eh variables significativa eh hemos añadido nuevas variables significativas también
hace que nuestro modelo tenga mayor sentido Ya que ha aumentado el Ke Square este y y y nos fortalece que las interacciones tiene un peso bastante bastante importante entonces lo que bueno vamos a hacer continuar el caj rápidamente También con varias preguntas sobre esto que acabamos de ver para fortalecer lo que acabamos de explicar que mide el qu Square en regresión logística la fuerza del modelo la relación entre variables la bondad de ajuste del modelo un valor binario la bondad de ajuste del modelo efectivamente lo hemos dicho al principio nos indica que también ajusta el
mod se ajusta el modelo a los datos Cuanto más alto mejor Explica el modelo las conversiones que es una ratio en regresión logística una razón entre probabilidades un coeficiente lineal la probabilidad de conversión un valor de confianza la respuesta correcta es una razón entre probabilidades la razón entre la probabilidad de que ocurra un evento y la y la de que no ocurra vale vamos a otra Pregunta qué variable sigue sin ser significativa en en el modelo interacciones páginas vistas presupuesto invertido fuente numérica esta también la hemos repetido varias veces una variable que se ha repetido
a lo largo de los todos los modelos que no es nada significativa efectivamente el presupuesto invertido es decir aunque es decir que que aumente el Presupuesto no quiere decir que vaya vaya a convertir mejor Cómo afecta Uy creo que Ah no per Vale qué variable nueva fue significativa en el modelo mejorado frecuencia interacciones presupuesto invertido días desde primer contacto tiempo total en el sitio de Interacciones vale Y creo que tengo alguna pregunta más aquí sí có afecta páginas vistas a la conversión qué hemos visto esto que disminuye las probabilidades no afecta las probabilidades aumenta las
probabilidades o no es una variable significativa aumentan las probabilidades efectivamente otra pregunta qué indica un reo mayor que uno La variable no es significativa la variable reduce la probabilidad la variable aumenta las hs no se puede interpretar la variable aumenta las ot efectivamente un ratio mayor a uno y lo que nos está indicando Es que la variable aumenta las probabilidades de que ocurra el evento en nuestro caso la conversión vale vamos a hacer un repaso de lo que hemos visto vale en estas dos clases hasta ahora lo que hemos trabajado han sido Pues modelos de
Machine learning supervisado Por qué digo Machine learning supervisado Machine learning supervisado a lo que nos referimos lo que se refiere es aquellos algoritmos que aprenden a partir de un un conjunto de datos etiquetados es decir que sabemos ya cuál es la respuesta correcta para cada entrada en este caso ya sabíamos Cuál era la conversión ya sabíamos si ese elit había convertido o no por por tanto eh eh es Supervisado y al final Bueno lo que en modo resumen lo que hemos aprendido en estas dos clases es que interacciones eh eh tiene sentido eh A mayor
un peso muy relevante páginas as también tiene un peso pero mucho más pequeñito eh frecuencia eh de interacciones demasiado alta pues puede ser un factor bastante negativo para la conversión y y es y luego otras variables que hemos visto que no tienen ningún tipo de sentido que a lo mejor no Hace falta que sigamos aplicando que puede ser el presupuesto invertido o días desde el primer contacto que también han tenido un peso bastante bastante eh bajo De hecho aquí podemos ver ahora las diferencias por ejemplo la Esta es la última gráfica que nos ha sacado
de de probabilidad eh de conversión frente a las interacciones la logística para que veáis y la regresión lineal Pues que en función de los modelos del Modelo que apliquemos las variables que utilicemos Y si añadimos más variables como esto Cómo cambia considerablemente eh toda toda nuestra predicción pero ahora que hemos estado trabajando hoy con la regresión logística y hemos visto cómo puede predecir porque lo que hemos sacado ya es una probabilidad eh habría que hacerse no la pregunta de realmente podemos mejorar aún más nuestras predicciones usando técnicas Más avanzadas es decir podemos mejorarlas de una
manera más manual es dándole más datos eh jugando con otras variables Y tal Pero va a llegar un límite un momento en el que ya no podamos mejorar eso incluso estamos haciendo un trabajo muy muy muy sencillo la eh Es decir que está muy bien Es una excelente herramienta la regresión logística para lo que viene siendo Perdón para problemas de Clasificación binaria como el nuestro que es predecir si un iba a convertir o no Si 1 c pero eh tiene limitaciones la principal relaciones lineales es decir lo que está asumiendo la regresión logística Es que
la relación entre las variables independientes y la probabilidad de conversión es lineal En otras palabras lo que lo que espera que los cambios en en una variable afecten a eh que los cambios de una variable Afecten a la probabilidad de manera proporcional Qué pasa cuando hay relaciones entre las variables eh No son tan sencillas Qué pasa si hay relaciones no lineales o interacciones entre variables complejas pues ya una regresión logística Eh no es capaz de de detectar eso ahí ya tendríamos que meter eh otras cosas otros herramientas un poco más avanzadas entonces qué alternativas hay
para ir mejorando esto hemos visto hasta ahora Modelo regresión líneal modelo regresión logística hemos visto pros y contras de cada uno hasta dónde pueden llegar estos modelos pero ahora ya vamos a empezar cada vez a meter ya a partir de la clase que viene cosas modelos de Machine learning más avanzados Entonces vamos a explicar rápidamente otro unos conceptos que aunque ya hemos ido viendo habréis ido viendo eh simplemente para que refrescar y saber Eh Y para porque vamos a tocar cosas de estas la semana que viene Entonces el primer lo primero árboles de decisión Qué
es un árbol de decisión pues al final un árbol de decisión no deja de ser un diagrama de flujo es deir un árbol de decisión en lo que está haciendo es dividir los datos en varios pasos de sí o no entonces va creando reglas muy simples eh Por ejemplo llevado a nuestro caso pues eh un árbol Podría empezar preguntando el lit ha Tenido más de cinco interacciones si la respuesta es Sí pues el árbol eh sigue haciendo más preguntas como ha visto más de 10 páginas de esta forma Pues nos vamos generando nuestro eh árbol
y entonces siempre son respuestas de sí o no ventajas son fáciles de interpretar eh Y visualmente son bastante bastante intuitivos y pueden capturar las relaciones no lineales y combinaciones mucho más complejas eh entre variables que hasta ahora no hemos podido hacer Con nuestros modelos de regresión logística Cuál es la principales limitaciones Pues que pueden ser muy frágiles y propensos a sobre ajustarse a los datos qué quiero decir con esto que pues hacer predicciones mu hacer predicciones muy precisas para los datos de entrenamiento no que porque está muy ideado el sistema para los datos que tenemos
de entrenamiento creo que estamos pero puede ser menos Útil para los datos nuevos o nuevos datos y que se Enfrente eh el árbol de decisión siguiente que vamos a ver es el Random Forest Pues un Random Forest eh es un conjunto de muchos árboles de decisión esto es un árbol de decisión como el que acabamos de ver aquí atrás esto es otro esto es otro qué hace pues los aglutina todos cada uno trabaja por su cuenta pum pum pum pum pum y y y solapan y cruzan la información ventajas reduce el sobreajuste como Utiliza muchos
árboles es menos probable que el modelo pues se ajuste demasiado a los datos de entrenamiento mayor y tiene una mayor precisión al combinar muchos árboles pues obtenemos una predicción promedio que es más estable y precisa que un solo árbol usos en nuestro caso pues en nuestro caso un Random Forest podría detectar mejor las interacciones no lineales entre variables como Interacciones páginas vistas y frecuencia interacciones esto Pues nos ayudaría a mejorar las predicciones de conversión pues capturando no estos patrones más complejos que podemos idear por ahí luego tendríamos el gradient boosting que es otra técnica que
utiliza árboles de decisión pero tiene un enfoque completamente bueno muy distinto Distinto en lugar de como el anterior el Random Forest en lugar de de crear todo los árboles al mismo tiempo los va creando por separado de uno en uno y cada árbol va prendiendo de El anterior va corrigiendo el anterior Entonces los va creando de uno pero se van creando un montón de árboles pero de uno en uno y cogiendo el anterior y corrigiendo los errores que tenga ventajas de esto muchísimo muchísimo más preciso que el gradient que el anterior el gradient Boosting es
conocido por ser uno de los algoritmos eh más precisos eh especialmente problemas de clasificación es decir porque va eh continuamente aprendiendo el anterior y corrigiendo en nuestro caso pues e se podría emplear por ejemplo en situaciones donde la relación entre las variables sea sea muy muy muy compleja puede ser muy útil pues para ajustar las predicciones de todas estas prediciones de conversión no por los ejemplos que he Puesto pues ya relacionar todas las variables entre sí en depende de pues del número del de de interacciones el tiempo transcurrido bueno todo lo que queramos complicarlo esa
relación porque veamos que tiene sentido pues este es un modelo bastante adecuado para eso Y por último que esto ya hemos hablado por lo menos en nuestras sesiones de soporte de otras clases las redes neuronales pues que no ya sabéis Cómo funciona esto una red neuronal no que está inspirada en el Cerebro humano eh que tiene con distintas capas artificiales que lo que intentan es aprender eh patrones en los datos entonces eh las rales son especialmente buenas para calcular relaciones muy complejas entre las variables cuando sobre todo que aquí está la gran diferencia cuando se
manejan grandes volúmenes de datos es decir una una red neuronal no tiene sentido si para nuestro problema de ninguna manera porque solamente tiene Tiene sentido montar una red neuronal cuando estamos hablando de cientos de miles de millones de datos si no no vale la pena perder tanto tiempo entonces pero tiene unas ventajas muy altas que aprenden patrones muy muy muy complejos eh que los algoritmos más simples a lo mejor no detectan pero son útiles Cuando tenemos una cantidad enorme de datos Cuál es la limitación que necesitan muchísimos datos para que aprenda bien esa red neuronal
y el tiempo de de Entrenamiento eh es también enorme e entonces de de Cara a la a la sesión de la semana que viene vale vamos a empezar con el Random Random Forest y y vamos a montar con Random Forest y gradi boosting vamos a montar cosillas y vamos a ir comparando lo Cómo podemos mejorar toda esta probabilidad y qué otras cosas podemos hacer y relacionar variables entre sí Entonces vamos a partir de la base de nuestro ejercicio de lo último Que hemos visto que es esta regresión logística avanzada y vamos a implementar pues ya
otras técnicas de masine learning y poco a poco en las sesiones iremos implementando y mejorando eh Esa predicción de conversión de nuestros lit y vamos a intentar sacar todo el jugo que podamos con con la Inteligencia artificial a partir a partir de ahora a nuestro ejercicio vamos con el kahot Tengo otras preguntas Ya estamos a punto de terminar hoy la clase Se iba a alargar un poquito más entonces qué técnica será eh el capturo mejor relaciones no lineales perdón efectivamente hemos dicho que la regresión lineal y logística el principal handicap era que son relaciones lineales
no hay relación entre las variables no hay manera de detectar esa relación y por tanto no tiene sentido se descartan el clasing Veremos también más adelante en qué consiste y como hemos explicado ahora los árboles de decisión sí que nos permite hacer esa relación Qué ventaja tiene el Random Forest sobre los árboles de decisión pues mayor estabilidad y precisión menor número de árboles resultados más rápidos menos datos requeridos mayor estabilidad y precisión efectivamente el Random Forest lo que hace es mejorar la precisión y Estabilidad porque combina varios árboles de decisión Entonces se complementan y reducen
el riesgo de sobreajuste que hemos comentado antes qué algoritmo se enfoca en mejorar los errores de interacciones anteriores regresión logística gradi boosting gradient boosting efectivamente lo que hemos dicho no la diferencia entre Random Forest y este es que en vez de crearme todos los árboles de decisión a la vez este los va creando de uno en uno Y cada y cada en cada paso que va dando va aprendiendo el anterior y va corrigiendo los errores Vale entonces lo que os estaba diciendo vale Y ya por último y ahora vamos a la a la parte de
preguntas siempre como es costumbre Que terminamos comentando varias noticias de de ella bueno Eh Esto lo anunció también hace poco meta eh no sé si la semana pasada o hace tres Semanas por ahí bueno que son unas nuevas gafas que van a sacar de realidad aumentada eh todavía es un prototipo no está sacado al mercado Pero bueno las has presentado en un evento y nada simplemente para que os suene Lo conozcáis eh Obviamente todos esto estos sistema pues funciona eh tiene Inteligencia artificial por todos lados de detectar patrones movimientos con con las manos eh es
capaz de incluso eh eh detectar Pues los movimientos de de los Ojos para ver si estamos mirando a la izquierda a la derecha arriba un poco entonces bueno todo eso no deja de ser modelos de entrenamiento de Mass learning y Inteligencia artificial reconocimiento de gestual vamos que vendrá vendrá bastante cargadito entonces Bueno lo pongo de ejemplo para que veáis que las empresas están volcadas en eh con la ia copilot lo mismo no otra empresa grande Microsoft que Pues copilot es con la inteligencia de de Microsoft que está implementando pues sobre todo en su casi todas
sus herramientas en sus herramientas eh de de Office No ya sea Word Excel Powerpoint entonces Bueno lo que permite esto pues pues comprender eh desde el lenguaje ya sea a través del texto de la voz generar de contenido por ejemplo en Powerpoint que te genera eh te puede generar diapositivas Automáticamente o te sugiere elementos visuales que puedes Añadir y y más cosas que puede hacer y ya por último porque esto también es más reciente eh Pues ponemos aquí el ejemplo de elon má tesla tal Pues con Optimus no que presentaron Pues todos estos humanoides eh
robots humanoides Eh pues ya si no sé si habéis visto vídeos o no pero bueno os animo a buscar la noticia Y veréis pues lo que podr lo que puede hacer no que también es un poco el Futuro eh eh futuro está también por ahí no el mundo de la robótica y y tal pues que vienen un poco a suplir tareas o hacer tareas eh más pesadas que para sustituir al un poco al ser humano no eh en trabajos que a lo mejor no no hace tanta falta y nada estos eh Como noticias así relevantes
que destaco hoy y hasta aquí la clase de hoy no sé si Queréis preguntar o dejar de compartir vale Y ahora bueno todas las dudas preguntas que queráis hacerme a adelante alguna pregunta que queréis hacer yo tengo una Cómo estás Oye pero pues soy esos temas pero cuando uno eventa a este tipo de cosas uno ya tiene definido Qué modelo es o uno va haciendo modelo modelo A ver cuál más se ajusta porque pues yo que existe de uno pues por el ejercicio pero pero pero cuando uno tiene ese tipo de datos uno uno Cómo
Dice venga lo hago por regresión lineal o lo hago por el de árbol o lo hago por el de o sea cuál escojo eh sin tener que hacer varios modelos a la vez vale a ver sí que es verdad que aquí claro hemos puesto un ejercicio donde hemos puesto datos que tampoco sabemos muy bien De dónde de dónde salen y nada eh aquí lo que eh lo que hay que hacer realmente cuando vamos a plantear esto realmente lo que estamos haciendo calcular la Probabilidad de conversión del nos puede interesar por ejemplo como departamento de marketing
no o de ventas el saber esa probabilidad eso eso es lo principal no para quién le va a servir esta información Vale pues identificamos los departamentos luego Es toda una estrategia que se lleva a cabo hay que definir previamente una estrategia por dónde me llegan eh eh Por d por Todos los sitios por donde me llegan los leads si me llegan los leads por redes sociales cómo los trato los lo le respondo por sociales o lo rediriger una llamada telefónica y todo eso es parte de una estrategia de definición de estrategia que se hace previamente
se define un poco todos los distintos caminos De dónde me puede llegar puntos de contacto no donde puedo aterrizar un lead y cómo lo debo tratar Entonces yo De antemano ya tengo que Saber todos los datos que recojo o debería saber todos los datos que voy a recoger qué relevancia le quiero dar eh si para mí van a ser importantes o no Eh Porque a lo mejor el número de interacciones de un link no lo recojo porque a mí me da igual interactuar 10 20 veces o o tal no sirve para mi modelo deg mi
modelo de negocio ese número entonces depende de cada negocio de objetivo que quiera conseguir y y y de la estrategia mía que vaya a desarrollar Implementar ahora como hemos partido de un ejercicio muy básico donde hemos simplemente pasado unos datos donde no sabemos ni realmente los datos eh interpretarlos bien del todo porque tampoco sabemos De dónde proceden y y y tal Pues bueno hemos visto simplemente cómo vamos mejorando el modelo y le vamos montando más cosas y y y va mejorando pero nunca real lo primero bueno Esto lo he dicho también varias veces a la
hora de generar una Inteligencia un modelo de Machine learning Inteligencia artificial el primer paso siempre digo que son los datos los datos datos datos lo más importante tener datos por tener datos no sirve de nada entonces los datos elegir bien los datos que es lo pero siempre con el objetivo qué es lo que quiero conseguir qué es lo que quiero conseguir eso siempre lo tenemos que tener claro tener datos que podamos categorizar que podamos filtrar que Podamos darle un sentido y y con eso vas generando un poco tu estrategia y y así vas definiendo entonces
tú ya antes previamente con todo bajado a a la tierra eh Ya deberías saber qué modelo tienes que implementar es decir yo os enseñado un poco de distintos modelos para que veáis la diferencia pero tú ya deberías sacar en conclusión antes de ponerte a probar nada más o menos ya deía sacar en claro qué es lo que te va a servir y es lo que no no te va a Servir nosotros viendo los datos de nuestro ejercicio nos podríamos haber ahorrado la clase de la semana pasada si nos hubiésemos sentado a analizar podríamos haber dicho
Oye una regresión lineal no nos va a servir de nada Por tanto la obviamos vamos a probar una regresión logística pero a lo mejor si nos hubiésemos sentado más tiempo a analizar los datos hubiésemos dicho es que no tenemos ni una manera De relacionar las variables o esta variable Depende de esta otra por tanto eh una relación estamos utilizando relaciones no lineales entre variables pues una regresión logística tampoco me sirve Entonces bueno todo eso lo tienes que analizar previamente y utilizar el modelo o la manera más adecuada a tu caso muchas gracias alguna otra pregunta
Pues si si no hay más preguntas hasta hasta aquí la clase de Hoy nada no s no os preocupéis si alguno Se ha perdido en algún momento vale recordaros que tenéis también el glosario que os he preparado con conceptos y todas estas sesiones iré aumentando ese glosario vale siempre me creo la carpeta de la clase de del día que es un poco la la información de la clase anterior entonces la semana que viene nada eh eh que si alguno quiere intentar o probar el ejercicio por su cuenta en Casa el animo para reforzar todos esos
conceptos porque la semana que viene ya vamos a a incorporar cosas un poco más complejas de de Machine learning Así que un placer como siempre y nada que tengáis profesor una consulta sí es probable que fuera poniendo o parte de los presentaciones que ya hemos visto los PDF la carpeta no de las clases que vienen sino de las que ya hemos visto la fórmula y todo Eso S es verdad lo tengo pendiente las cles anteriores listo Gracias excelente clase Muchas gracias de hecho la presentación de la clase de hoy os la acabo de subir a
la carpeta as la tenéis ya Y esa no se me olvida y de clases anteriores Jos Muchas gracias excelente clase una feliz tarde Igualmente gracias José Muchas gracias vosotros Muchas gracias por asistir buen fin de semana nos vemos la Semana