An al e ah ah Buenas tardes a todos se me escucha bien Sí perfecto V a esperar un par de minutos a que termine de entrar la gente os voy a ir compartiendo Pantalla para que vayáis entrando como siempre en el kfood y así mientras esperamos vais entrando de ahí José a mí no me deja entrar esta vez al al código QR no sé por qué he pasado el link directamente por el chat A ver si te deja por ahí vale con el móvil vale Ah estás haciendo por sí voy a poner el Código más
grande a ver si te deja escanearlo Vale gracias si yo lo hago con el ordenador y ya está a ver si no entrando directamente en kahot.it introduciendo te pedirá introducir el código y entras también directo cómo has hecho kahut qué más pongo Sí este kahoot.it Buenas tardes el link alguien José lo puso ahí nada más tiene que darle doble clic encima del link Vale incluyendo al que tiene el pin que tiene el número de la sesión entra directo ahí sí vale Ya lo veo Gracias Gracias José gracias compañero nada vale pues vamos a empezar Ya
la clase de hoy vamos a seguir con nuestro ejercicio de estas últimas dos sesiones donde estuvimos viendo lo abro aquí para que recordéis pues Estuvimos viendo distintos maneras no de enfrentarnos a Nuestro ejercicio que Nuestro objetivo era calcular la probabilidad de conversión de un LD Pues la primera sesión estuvimos eh eh hablando comentando el tema de la regresión líneal la semana pasada lo enfocamos todo con la regresión logística y hoy vamos a ver unos modelos un poco más avanzados para ver qué otras variedades hay qué otras maneras hay de calcular esa probabilidad Qué cosas se
se pueden hacer entonces así Eh modo resumen un poco eh tengo aquí una comparativa que esto es lo que calculamos justo la semana pasada si os acordáis la regresión lineal que al final es una línea recta y la regresión logística pues lo que nos genera eh es una una curva entonces eh Vamos a repasar mu muy brevemente conceptos para que nadie eh se pierda y para los que no se acuerden Pues la regresión lineal Eh Al final Pues bueno Es una herramienta matemática que lo que nos ayuda es hacer predicciones basadas en relaciones simples entre
números entonces ponemos un ejemplo imaginar e por ejemplo que tenemos una tienda de de lados y sabemos que que hace mucho que cuando hace mucho calor vendemos más helados entonces lo que decidimos es hacer una especie de Fórmula no que lo que queremos es predecir Cuántos helados venderemos Según la temperatura Pues imag si hace 30 gr vendo muchos helados si hace 15 o menos pues eh vendo vendo menos Entonces lo que estamos una regresión lineal en este caso lo que nos ayuda es hacer esta conexión Eh pues que cuando sube una cosa no en este
caso El ejemplo lo que he puesto la temperatura eh Y Cómo afecta la otra cosa que serían pues las ventas nuestra clase nuestro ejercicio actual eh intentamos no en la primera clase Hacer este mismo método para predecir si un cliente se convertía o no No en en potencia si un link convertía se convertía en cliente o no y usábamos distintos tipos de datos los Tenemos aquí pues usábamos el tema de interacciones no Cuántas veces un cliente pues hablado con la empresa el presupuesto invertido Cuánto dinero gastamos para traerlo el días desde el primer contacto Cuántos
días han pasado desde la primera vez que hablamos con el Cliente y la Fuente numérica de dónde vino el cliente Pues bueno la fuente que es la fuente de adquisición pero que lo necesitábamos en forma numérica para poder hacer nuestro problema Cuál fue el problema de la rión l Pues que la básicamente no está hecha para predicciones donde las respuestas solo pueden ser sí o no es decir nuestro caso de conversión Teníamos dos opciones o ha convertido o no ha convertido entonces eh nosotros como queríamos eh Predecir esto eh la regresión lineal lo que nos
daba era resultados que no tenían Eh pues mucho sentido Ya que hay veces que pueden ser resultados negativos eh Como 0,2 o resultados por encima de uno como un con3 Qué significa esto Pues que las probabilidades eh deben estar siempre entre C y un entonces quedaba no tiene sentido tener probabilidades del 130 por probabilidades del men 20% Y entonces este tipo de herramienta no Nos servía para nuestro problema qué solución encontramos la durante la clase anterior pues probamos la regresión logística entonces este tipo de modelo era un poco más inteligente cuando se trata de responder
a preguntas eh de si o no Porque transforma los números en probabilidades reales entre 0 y 1 entonces Si volvemos al ejemplo por ejemplo que he comentado al principio el de los helados imaginaros que en lugar de querer predecir Cuántos helados eh eh Venderemos ahora que hemos predecir si abriremos o no la tienda eh mañana entonces ahora tenemos dos opciones abrir o no abrir por la regresión logística te diría la probabilidad no de que abras eh esa tienda y esa probabilidad Pues siempre estaría comprendida entre el 0% y el 100% eh diferencias que vimos entre
la regresión lineal y y la logística si resumen es lo que acabo de comentar no Que nos centramos en una muy básica que era lo de que no la regresión lineal no e trata de encontrar una relación directa entre los números pero no nos puede eh eh confirmar que siempre est entre 0 y un y la rión logística está diseñada para darnos la probabilidad entre C y luego también de todas nuestras variables que les pasábamos que eran todas estas también nos dimos cuenta que había algunas que tenían importancia y Relevancia y otras que no le
vimos que las interacciones cuantas más interacciones tiene un cliente con la empresa mayor es la probabilidad de que se convierta en cliente y luego hubo otras por ejemplo como el presupuesto invertido que curiosamente no est no parecía tener un gran impacto si el cliente se convertia o no Uno suele pensar todo lo contrario Oye pues si invierto un poco más Pues a lo mejor más fácil captarlo bueno el resultado que Nos daba era que no servía no servía mucho luego de reflexiones también que sacamos o conclusiones de la semana pasada de variables no significativas Pues
eso aunque vimos que las interacciones era una variable importante también observamos que otras como la que acabo de comentar presupuesto invertido los días del primer contacto no eran significativas en nuestro modelo de reversión logística esto significa solamente al Menos en en los datos que estamos analizando que estas variables no tengan un impacto Claro en la profundidad de conversión esto no quiere decir que sea así también depende del modelo de todas las variables que haya que eh intervengan Y tal de hecho hoy con los ejemplos que veremos nuevos Vais a ver como variables que tenían relevancia
estas dos últimas sesiones dejan de tener mucha relevancia ahora y y al revés variables que no tenían Relevancia ahora eh cobran un peso importante en nuestros modelos entonces bueno eh Por qué pasaba esto que había cosas que no eh variables No significativas pues eso que no estamos lo que nos quiere decir que nos eh eh que puede que no estemos midiendo no eh cosas eh más relevantes o que igual hay otros factores que no sabemos que influyen más a la hora de esa conversión de del lit no pusimos algunos ejemplos Yo comenté alguno pues calidad
si no recuerdo mal la calidad del lit no podría ser un dato interesante de incluir de hecho incluimos en hicimos una regresión logística más avanzada metiendo datos donde metimos más variables y vimos como también cambiaba el resultado Eh entonces la manera de mejorar esto eran simplemente dijimos pues meter más variables eh quitar variables que a lo mejor no influyan intentar acotar meter más datos Y con Esto podemos jugar y tratar de obtener probabilidades o un modelo mucho más preciso Vale hasta ahora lo que hemos trabajado ha sido con modelos simples tanto la lineal como la
logística no dejan de ser modelos muy simples donde que son ideales para problemas de clasificación eh binaria como nuestro sin embargo eh Como vimos en la última sesión Al final que he comentado no en el momento en el que se producen situaciones más Complejas en el que se empiezan a relacionar variables que una variable depende de otra y y en su consecuencia forma otra es decir cuando ya empieza a ver todas esas relaciones entre variables se nos complica muchísimo y ya eh estos dos modelos de regresión líneal y modelo y regresión logística pues ya ya
nos sirve Entonces comentamos la semana pasada vimos por encima ya de manera introductoria hablamos de los árboles de decisión que este tipo de Modelo Pues bueno lo que hace es crear una serie de preguntas ramas basadas en los va diciendo en función decidiendo no eh en función de las respuestas clo y vimos también el Random Forest que al final era un conjunto de muchos árboles de decisión que trabajan juntos y se van mezclando y y van interactuando entre ellos hablamos también de de las redes neuronales que esto ya lo hemos comentado varias veces porque las
redes neuronales pues son mucho más potentes No necesita realmente son útiles cuando cu trabajamos con una cantidad desorbitada de datos cuando trabajamos con 100 lits como es el ejemplo este no tiene mucho sentido si estuviésemos trabajando con miles y miles de datos Pues sí que sí que funcionaría vale pues Eh Esto quería hacer una introducción un poco de repaso para que todos estemos Al Día de lo que hemos visto en Las dos últimas sesiones Y ahora ya vamos a introducir eh herramientas nuevas de antes de nada vamos a volver a a al cahot si alguno
queda por entrar aprovechar venga veo que sois muchos conectados a la clase y veo que aquí hay solamente 14 es unos segundos y empezamos Hay alguno que quiera preguntar algo de esta de este repaso de de la clase del otro día si le quedó alguna Duda antes de que entremos en materia nueva [Música] [Música] Javier te escucho muy mal No sé si soy yo o o te escuchamos todos mal A ver ahora te escucho bastante entrecortado No sé si soy yo el resto lo escucháis bien no no si se escucha entre escuch cortado Sí V
debe algún problema de conexión vale No te preocupes Javier Luego si consigues solucionarlo me me preguntas Vale pues vamos a empezar Es que mi se me revisó el celular y no he podido entrar me regalas minutico vale tu pregunta es si es para escoger el mejor modelo debemos intear en todos eh La respuesta es no es decir es super poco productivo eh probar todos los modelos que haya En en el mercado hemos visto el regresión lineal regresión logística podemos aplicar si nos abrimos por ejemplo la herramienta esta de las que ya incluye esta herramienta porque
hay muchos más podemos hacer un montón de cosas para medir resultados eh realmente a ver para saber elegir un modelo u otro lo primero es tener conocimiento de los modelos que que existen Obviamente si no conocemos un Modelo no se nos puede ocurrir aplicarlo entonces dentro de los modelos que conocemos que de los que tengamos el por si alguno quiere ir entrando dentro los modelos que conocemos Pues bueno tenemos que hacer siempre un análisis previo esto insistí mucho ayer tamb digo la semana pasada y que también preguntó algú alguna persona que es muy importante tener
claro Cuál es Nuestro objetivo qué es lo que queremos calcular Y qué datos tenemos en Base a eso pues hay que elaborar una especie de análisis de estrategia y hacer y tomar esa decisión antes de probar Que obviamente luego pruebas un modelo Y ves que no tiene sentido Pues a lo mejor puedes derivar a otro pero por Norma general es algo que deberíamos decidir antes haciendo un análisis bastante bastante profundo y al final bueno Esto es experiencia como todo como todo en la vida cuando ya has hecho ejercicios de estos Y estás habituado a Calcular
todo tipo de de datos estadísticos como este ejercicio pues ya vas prácticamente a tiro hecho pero bueno al principio es más error tener un poco de conocimiento sobre lo que estás haciendo eso es importante saber siempre qué es lo que haces en cada paso y y a base de experiencia pues irás ya atinando con el modelo Vale pues vamos a empezar el kaho vale si alguno no ha podido entrar tenéis arriba en el chat al principio de Todo tenéis el enlace un poco aquí ahora cinco preguntas también de de repaso para que todos para ver
que estamos todos alineados Y continuamos entonces qué es la regresión lineal un tipo de árbol de decisión encuentra relaciones lineales entre variables Calcula probabilidades predice valores entre 0 y 1 la respuesta correcta se encuentra relaciones lineales entre variables es Decir es un método no que modela la relación entre variables dependientes e independientes suponiendo que estas relaciones sean siempre lineales cuando no somos no son lineales ya implica una mayor complejidad y ya necesitamos otro tipo de herramientas importante no predice probabilidades ni es un árbol de decisión siguiente pregunta por la lineal no es adecuada para clasificaciones
no funciona con Variables numéricas necesita grandes volúmenes de datos solo predice números entre o y 1 predice valores que no siempre tienen sentido efectivamente la correcta es predice valores que no siempre tienen sentido Ya que puede dar resultados no la puede dar resultados que no tienen sentido en un contexto de clasificación como las predicciones de probabilidades que probabilidades mayores a 1 c o Negativas Eh pues no no tiene mucho sentido esta predicción Cuál fue la solución que vimos para mejorar la regresión líneal en la sesión anterior redes neuronales regresión logística Forest árbol de decisión pues
la respuesta correcta es la regresión logística que es la herramienta pues adecuada para problemas de clasificación binaria ya que Transforma los resultados en probabilidades entre c0 y uno lo que permite nos permitía no en nuestro caso trabajar con esas decisiones de sí o no [Música] Qué diferencia clave tiene la regresión logística frente a la regresión lineal que la logística predice decisiones y no Calcula porcentajes directamente usa números negativos solo funciona con grandes datasets esto acabamos De explicarlo justo en la justificación de la pregunta anterior que la logística predice decisiones de sí o no Mientras que
la lineal lo que predice son valores continuos lo que no es Útil para nuestro ejercicio en concreto es decir la regresión lineal puede ser un método muy muy útil dependiendo de para que lo usemos o lo que queramos obtener Vale y última pregunta de esta tanda de esta sección Cuál de estas variables fue significativa en la regresión logística acordaos que vimos un poco repasamos todas las variables la semana pasada algunas eran relevantes y otras no los días des el primer contacto presupuesto invertido frecuencia interacciones fuente de adquisición frecuencia de interacciones es decir después del Análisis
no que hicimos pues vimos que la frecuencia con la que un lit interactúa con la empresa Pues era un buen indicador de su posible conversión mientras que había otras variables que no no resultaban significativas muy bien pues vamos a continuar ya vamos a entrar ahora ya en otros tipos de modelo entonces bueno bueno vimos que el otro día las limitaciones de de la regresión logística no que lo que que tenía dos cosas principalmente que relaciones lineales la regresión logística lo que hacía er ASUME que las Relaciones entre las variables independientes y el resultado en nuestro
caso era la conversión son lineales esto significa Pues que espera que cada unidad adicional en una variable por ejemplo cada interacción que le añadí pues la probabilidad de conversión cambiaba de manera constante pero claro en la vida real eh las relaciones no siempre son tan simples es decir que puede haber efectos que cambien En diferentes niveles de la Variable A lo mejor si interactúo de una manera de otra eh eh el rango de edad del lit es decir hay muchas cosas que pueden afectar eh profesión del lad entonces eh No siempre es tan simple y
tiende a ser un poco más complejo entonces bueno eh una de las cosas que vimos que se podía mejorar era incluir variables más complejas no adicionales a nuestro modelo de regresión logística Pero si Seguimos con el mismo problema que sigue sin capturar bien esas interacciones no lineales sino es capaz de relacionar todo eso no por eso vimos eh Otras herramientas comentamos el otro día y hoy vamos a ver dos en concreto la primera va a ser los árboles de decisión pues esto bueno Esto viene a ser una técnica un pelín más avanzado de lo que
vimos el otro día qué nos permite esta herramienta Pues que es mucho más flexible a la hora De trabajar con relaciones principalmente no no no lineales y más complejas Eh entonces eh árbol de decisión al final lo que está está basadas otra vez en preguntas de sí o no y eso nos va haciendo un diagrama de flujo entonces se van dividiendo los datos en pequeños grupos y y deas que va sacando conclusiones hasta que estas divisiones nos permite al árbol llegar a una predicción Final Luis veo que has levantado lao una pregunta Sí dime eh
Luis Felipe por aquí estás hablando pero la lámina sigue diciendo regresión lineal y regresión logística no no lo has cambiado no no la he cambiado todavía Ok listo seguimos seguimos ahí no pero bueno puedo poner esta la de árboles de decisión así estamos así hay contexto también Pues Sí eso que Perdón que es que se no sabía dónde me había quedado lo que estaba comentando no que las divisiones del flujo este que se va ando con árboles de decisión al final eh lo que llega el árbol es a una predicción final entonces en nuestro caso
si el L ha convertido o no las ventajas del árbol de decisión pues eso que captura las relaciones no lineales A diferencia de regresión logística Pues los árboles de decisión nos suponen que las relaciones entre las Variables y las conversiones son siempre lineales e Entonces esto nos permite analizar ya eh relaciones mucho más complejas y son muy fáciles de interpretar los ales de decisión son bastante intuitivos las reglas que se generan suelen ser bastante fáciles de entender y esto también facilita un poco la interpretación de las predicciones principal desventaja es decir No aquí no todo
es bonito pues tendencia a sobre ajustar es decir un Árbol de decisión individual pues puede ser muy sensible a los datos de entrenamiento Qué quiere decir esto Pues que se ajusta demasiado a los solamente a los datos que le hemos dado para para entrenar y lo que ocurre con esto que se se llama el término se llama sobreajuste pues lo que significa que puede funcionar bien solamente para esos datos para los que fue entrenado pero en el momento en el que le metemos nu los datos eh Ya no funciona tan bien Y luego hablamos también
el otro día del Random Forest pues del Random Forest eh Viene un poco Esta técnica esta herramienta viene para resolver el problema de ese sobreajuste por qué porque al final consiste en la creación de múltiples árboles de decisión y y es un método basado en el concepto Por así decirlo del poder poder de muchos no es decir junto un montón de árboles donde cada uno va sacando sus Predicciones mezclo y al final eh saco predicciones mucho mucho más precisas Eh entonces al final es como un proceso así llamarlo de votación no entre todos los árboles
ent asegura que esa predicción final pues sea mucho más precisa y menos propensa a errores individuales de un solo árbol porque al final cada árbol va sacando su predicción y se comparan y sacan la que consideran que es más Acertada principales ventajas mayor precisión y robustez ya que eh se utilizan muchos árboles y menor tendencia al sobreajuste es decir al tener má árboles más datos de los que sacar conclusiones pues eh eh al combinar todos esos resultados Pues el modelo evita ese problema de sobreajuste y y está más controlado y y está mejor el modelo
funciona mejor frente a datos nuevos vale aquí un poco Vamos a repasar esto rápidamente volvemos al kahot Entonces qué ASUME la regresión logística sobre las relaciones entre variables que son lineales que son complejas que son aleatorias que son no lineales que son lineales Ese es el principal problema que todas las relaciones entre variables eh Son lineales y por tanto tien un resultado lineal lo que limitan un poco Pues su capacidad para hacer relaciones para capturar o entender esas relaciones más complejas que pueda haber siguiente pregunta qué es un árbol de decisión un conjunto de reglas
que dividen datos un modelo basado en redes neuronales una técnica de regresión un método de optimización un conjunto de reglas que dividen datos es decir nosotros vamos generando todo el rato reglas y vamos Est creando nuestro árbol Entonces si se cumple aquí Bueno si me acerco no sé si lo veis por pantalla pero bueno es un ejemplo e pone páginas vistas en el sitio web Pues si son y lanza una pregunta son menores que en este caso menor que 4.5 Pues si es menor que 4.5 se genera otra regla si pues otra con esto vamos
generando nuestras reglas y vamos generando nuestro árbol siempre de respuesta sí no Se cumple la condición no se cumple Pues si se cumple haces esto si no se cumple compruebas esto siguiente pregunta qué ventaja tienen los árboles de decisión sobre la regresión logística son más fáciles de entender capturan relaciones no lineales son más rápidos usan menos datos pues capturan relaciones no lineales una de las mayores ventajas es que pueden capturar relaciones complejas sino Lineales entre las variables algo pues que la regresión logística que vimos el otro día no podía hacer siguiente pregunta qué es un
Random Forest un conjunto de árboles de decisión un algoritmo de clasificación un método de clustering una red neuronal es un conjunto de árboles de decisión es decir que el Random Forest es una técnica no como acabamos de explicar que consiste en combinar muchos Árboles de decisión para obtener una predicción pues mucho más acertada más robusta ya que el voto no lo que he dicho antes como una votación no el voto de varios árboles pues es mucho más preciso que eh Solo uno siguiente pregunta por qué los Random Forest tienden a ser más precisos que los
árboles de decisión combaten el sobreajuste usan redes neuronales utilizan menos datos Hacen menos cálculos recordar que el Random Forest venía a solucionar un problema los árboles de decisión efectivamente combaten el sobreajuste reducen el riesgo no el Random Forest ya que al tener más orbes de decisión individuales al combinar varios árboles lo que está generando es un modelo eh mucho más robusto Vale ahora vamos a Hacer un ejercicio práctico que vamos a seguir un poco también con el dataset que hemos estado utilizando estos días pero hoy vamos a salirnos del Google Seat y nos vamos a
ir a otra plataforma os comento antes de nada eh que bueno Google colap ya lo vimos en una de las primeras sesiones que tuvisteis conmigo y vimos alguna cosa básica de introductoria hacia el Machine learning de entrenamiento de imágenes y y tal Bueno pues hoy hoy esta sesión y La que viene vamos a utilizarla y es una bueno os cuento brevemente esta herramienta para que no la conozca Es una herramienta en la nube de Google que lo que permite es escribir y ejecutar código en python directamente desde el navegador sin necesidad de instalar absolutamente nada
en nuestros ordenadores Es una herramienta bastante cómoda para estos este tipo de sesiones así no os tenéis que instalar nada y que es muy fácil ejecutar y testear y probar Cosas pu al final no deja de ser como una especie de cuaderno donde escribimos código python eh ejecutamos y vemos resultados inmediatamente no os preocupéis si no entendéis eh el código no sabéis lo que estáis haciendo eh vamos a ver cosas sencillas eh yo os he preparado también guías por si alguno quiere hacerlo luego en casa y y ejecutarlo vale mira como siempre tenéis aquí la
clase de hoy vale como hemos hecho en las sesiones anteriores aquí Clase 05 con la fecha de hoy y os he preparado bueno tenéis eh vamos a utilizar bueno entro también mir os explico el glosario que es un poco la continuación de que os puse en la clase anterior hemos añadido alguna que otra palabra todas la sesiones os voy a ir añadiendo términos conceptos nuevos para que los vayáis teniendo ahí por otro lado eh tenéis dos guías que es lo que vamos a ver ahora que Vamos a hacer un ejercicio con un árbol de decisión
y el mismo ejercicio con el Random Forest adaptado a nuestro a nuestro dataset que es este Estos son todos los datos que le vamos a pasar y el dataset lo tenéis aquí Vale entonces luego si después de esta clase alguno lo quiere intentar en su casa aquí lo tenéis todo todo explicado paso a paso la guía de cómo tenéis que hacerlo y cómo y código y por eso digo que si no tenéis el código copiáis Copiáis y pegá y ya está de hecho ahora voy a hacer el ejercicio con vosotros este mismo ejercicio lo voy
a hacer con vosotros en directo paso a paso también para que vayamos viendo los resultados y vayamos comentando todo lo que nos va apareciendo vale para este ejercicio comentaros también un poco aunque no se entienda muy bien así que me gusta explicar lo que vamos a utilizar que vamos a utilizar tres librerías de Python que son pandas sfi kit learn y numi Pues bueno la primera pandas sirve para cargar y manipular los datos lear para implementar los modelos de árbol de decisión y Random Forest sin un fin lo vamos a utilizar para realizar operaciones Matemáticas
voy a entrar un poco también más en detalle para desglosarlo y y entender En qué se va a utilizar cada cosa entonces el primero pandas creo que Esto lo he puesto Bueno he puesto más los logos vale esta esta slide es pandas y la siguiente es la deit vale Así que no le hagáis caso al logo pandas lo que es es una librería en python que está diseñada sobre todo para trabajar con datos en en forma de tablas como si fueran hojas de cálculo de Excel entonces lo que nos permite esta librería sobre todo es
cargar datos de Archivos como csvs nos permite cargar el archivo organizarlos filtrarlos modificarlos acceder a todos los datos de de ese csv Entonces nosotros en concreto aquí lo que lo vamos a utilizar principalmente para importar nuestro archivo que es este el dataset el leads dataset.csv que podéis descargar de aquí de la carpeta vale lo tenéis Entonces el fichero que vamos a utilizar y lo que nos nos va a permitir esta librería es cargar subir ese fichero interpretarlo y Leerlo y jugar con la Data el siguiente vale repito el logo está mal aquí Tendría que ir
el de sf kitler pues esta es una de las librerías Por así decirlo más populares de python para hacer Machine learning lo que nos está proporcionando esto librería son todas las herramientas necesarias pues para crear entrenar y evaluar modelos de Machine learning de manera sencilla Entonces los algoritmos que ofrecen en los alos que ofrece Incluyen pues clasificación regresión clustering entre otros muchos que tampoco vamos a entrar en detalle más adelante sí que iremos viendo y esto lo usamos en el ejercicio de hoy porque nos va a permitir implementar de forma muy fácil los algoritmos que
queremos experimentar que es el de árbol de decisión y el de Random Forest y aquí como podéis ver en el ejemplo es una captura de lo que vamos a Ver ahora pues esta librería La importamos y nos permite ya nos da el algoritmo que nos va a permitir eh crear ese modelo de árbol de decisión y entrenarlo eh Y por último la tercera librería que vamos a utilizar hoy es npi que esta librería sirve para trabajar pues eh eh o hacer operaciones complejas Matemáticas eh de forma muy Eficiente esta también es una librería bastante bastante
importante suele ser la base de muchísimas o gran parte de las librerías que se suelen encontrar en p muchas muchas eh librerías eh eh dependen de esta porque yo creo es la la librería excelencia a nivel eh operaciones Entonces lo usamos nosotros en este proyecto básicamente para manejar los datos para hacer todos nuestros cálculos que vamos a hacer y y Y ya veremos ahora en el ejercicio Exactamente para que para que lo utilizamos y ya por último lo que vamos a hacer Es irnos a Google colab vale para entrar aquí s que lo único requisito
que tenéis que tener es una cuenta de Google Entonces cuando accedé Aquí vamos leamos a Nuevo cuaderno [Música] Y esta es la interfaz que os vais a Encontrar una interfaz aquí donde podéis ver que tenemos como un sitio para escribir empieza a programar a crear código tal Pues aquí podemos yaer ir poniendo nuestro nuestro código lo primero que vamos a hacer es instalar las librerías que acabo de comentar que acabo de explicar que bueno Esto es un comando que lo que nos va a hacer es instalar la librería Panda la kit learn Y la de
esto es muy sencillo copiamos pegamos vale eh Y le damos aquí a ejecutar Entonces esto lo que va a hacer ahora es instalar todas las librerías y así podemos ir cre ando nuestro ejercicio Vale pues ya está instaladas y ahora lo que voy a hacer es ponerme otro aquí otro trozo de código para seguir Escribiendo ahora lo que quiero es cargar el dataset dataset con todos los datos de mis leads para eso voy a ejecutar este Comando que esto lo que va a hacer es preguntarme para subir el archivo Esto es lo que me ejecutado
entonces me sale esto yo lo tengo aquí le vamos a abrir y ya lo tengo cargado este fichero Vamos a continuar vale Ya lo Tengo subido a Google colab y fichero ahora lo que quiero es leerlo entonces para eso importo la librería pandas lo que he dicho os explic antes le pasamos el nombre del fichero que se llama lad dataset.csv y le decimos que lo lea vamos a comprobar aquí que lee las primeras filas a ver si lo lee correctamente o no efectivamente podemos ver aquí que nos ha sacado la tablita con todos nuestros datos
los primeros cinco lits Entonces lo está leyendo perfectamente y y vemos aquí pues todas nuestras variables que vamos a utilizar en este ejercicio eh todas las variables de nuestra del último caso que hicimos de regresión logística pero el avanzado con todas las nuevas vamos a ver vamos a experimentar con todas con interacciones frecuencias de interacciones presupuesto invertido días primer contacto fuente numérica tipo interacción tiempo páginas Vistas tiempo Javier veo que preguntas perdonas instrucciones son las mismas que están en el archivo que se llama Google col árbol de decisión verdad Efectivamente es de el ejercicio que
voy a ver con vosotros os lo he explicado aquí en esta guía para que vosotros podis segir vamos utilizar todas estas variables nuestra variable dependiente recordad que es la de la conversión Numérica esta la de C es igual a no y un es igual a Sí y ahora el siguiente paso va a ser pues indicarle a nuestro programa Nuestro Script eh Cuáles son las variables independientes y cuáles son las variables dependientes entonces aquí nos creamos dos variables la x que son nuestras independientes y la i nuestras dependientes fijaos que lo he llamado Tal cual se
llama esto es importante porque estoy leyendo mi archivo csu yo no le puedo poner aquí interacciones eh con i minúscula porque no lo no me va va a encontrar esta variable en el archivo lo tengo que llamar Exactamente igual No no va a fallar y no y no va a funcionar Entonces ahora Bueno hasta ahora lo que lo único que hemos hecho en este entorno ha sido subir la información subir nuestro dataset instalar librerías Y definir variables Todavía no hemos hecho absolutamente nada de entrenar el árbol de decisión y nada Ahora lo primero que tengos
que hacer es crear un árbol de decisión eh lo Aquí hay una cosa importante que también lo vamos a introducir yo creo este concepto no lo hemos hablado nunca que es que siempre que entrenamos un modelo necesitamos dividir nuestros datos en dos partes por un lado tenemos la parte entrenamiento o también llamada training entonces Este es un conjunto de Datos que usamos para enseñar al modelo aquí es donde el modelo Pues aprende a hacer predicciones basadas en los patrones que encuentra en en los datos y luego la otra parte que dividimos es la de Test
o prueba pues estos datos lo que hace se mantienen oc modelo mientras está aprendiendo después de entrenar el modelo usamos este conjunto de datos para evaluar eh también no el modelo puede hacer predicciones en datos que nunca ha visto Antes Entonces siempre se suele dividir el dataset eh Por qué se hace esto Pues bueno es una técnica al final para evitar que el modelo aprenda demasiado bien nunca nos interesa que aprenda s super bien eh Por qué Porque se produce el el término El problema del que hemos comentado antes del sobreajuste por tanto eh Cuando
entrenamos un modelo lo le estamos al final lo que le estamos enseñando es a identificar patrones en Los datos pero si le damos todos los datos Pues el modelo puede volverse demasiado listo solamente para esos datos específicos entonces eh cuando le damos otras cosas falla imaginad esto es muy fácil mir Un ejemplo muy sencillo Yo siempre me gusta poner Este ejemplo es imaginar que estáis estudiando para un examen Y en lugar de aprender os el temario no las ideas principales os han pasado eh todas las preguntas con sus Respuestas exactas entonces me he aprendido las
20 preguntas del examen con exactamente las respuestas eh si me aparece me presento el día del examen y me ponen exactamente esas 20 preguntas probablemente me Sepa la respuesta de todas Qué pasa si me preguntan una respuesta Digo una pregunta que no estaba contemplada en esas 20 Pues bueno puedo acertar la O puede que no pero ya no tengo [Música] Eh Ya no me puedo asegurar que me Sepa la respuesta pues esto pasa con el modelo de de entrenamiento eh si no le enseñamos si le enseñamos siempre eh todo pues se produce ese sobreajuste por
tanto eso al dividir el modelo siempre entre entrenamiento la parte de training la parte de Test lo que evitamos es que el modelo vea todo vea el conjunto de de prueba durante el Entrenamiento esto lo que nos permite al final es que eh medir que tambi generaliza el modelo frente a todos esos nuevos datos que que no no ha visto antes vale eh Eh bueno recordar el peligro concepto vale quería lo tenía yo apuntado aquí que quería el concepto de sobreajuste vale eh Como se yo lo Llama sobreajuste por entender para que lo entendamos todos
pero como se suele ver siempre o Llamar es overfitting vale es como se suele ver eh o se suele utilizar el término y luego os preguntaréis Vale qué parte se suele Qué cantidad de datos se suele destinar a training y Qué cantidad de datos se suele destinar a a test pues generalmente se suele usar la proporción 70 80% de los datos suelen ir al entrenamiento y el 20 o 30% de los datos suelen ir a a testing en nuestro caso vamos a dividirlo en para entrenamiento Y 20 para testing Entonces ahora lo primero de todo
es configurarle a nuestro Script eso acabamos de comentar como ya vamos a incorporar nuestro eh a crear el árbol de excisión ya incluimos la librería scaler vale y Aquí vamos a dividir el 80 20 donde el test s ya le estamos indicando que es un 0,2 un 20 por y ahora indicado eso lo que vamos a hacer es crear el árbol vale aquí tampoco vamos a entrar en detalle mucho de los paretos metos que le pasamos de momento ya lo analizaremos más adelante simplemente lo que le estamos diciendo aquí es el eh dividimos el conjunto
de datos para decirle que el 80 va entrenamiento el 20 a prueba y aquí lo Que estamos haciendo es crear el modelo de árbol de decisión y ahora lo que hace el árbol pun fit es entren entrenarlo vale De hecho podemos ejecutarlo veréis que crea el árbol de momento no vemos ningún resultado porque no estamos diciendo a nuestro Script que pase nada por pantalla entonces Bueno después de entrenar el modelo lo que vamos a evaluar es que también funciona eh prediciendo los datos de prueba que Tiene para poder verlo vamos a incorporar esto que lo
que nos va a sacar es una precisión del árbol de decisión que como podemos ver dice precisión del árbol de decisión es 0,6 ahora veremos si es bueno o no pero la precisión para que lo sepáis es una medida de Cuántas veces el modelo ha acertado es decir en este caso Cuántos lits predijo el modelo eh correctamente si Convierten o no Si el modelo por ejemplo tuviera un 85 de precisión Pues significaría que eh acierta el 85 por de las veces este caso tiene un 0,6 quiere decir que hacer acierta el 60 por de de
los casos ahora lo que vamos a dibujar es para ver el gráfico para que veáis el árbol que nos genera Este modelo que estamos entrenando jé y ese 60 por de bajo o alto Eh es bajo es decir eh Es casi un 50% es decir que falla mucho nuestro modelo apenas se escapa uno de cada Eh sí casi uno de cada dos e acierta una una una vez no es muy muy muy bajo ahora veremos cómo lo mejoramos tambén Pero eso eso te iba a preguntar es por lo que no está todavía entrenándose varias veces
es porque apenas estamos corriendo inicialmente o sea él mejoraría en la medida que lo corramos más no y le metamos así Ah cómo sería O sí Es decir a es decir el modelo este todavía estamos ejecutando una manera muy simple podemos eh jugar con más variables que le podemos pasar le podemos pasar mucha más Data ar un modelo pues tener 100 lits que es lo que le pasamos ahora está entrenando con 80 datos pues 80 datos no es información suficiente para este modelo eh obtener una respuesta bueno eh vamos a ir viéndolo es decir no
os preocupéis de momento estamos con la Configuración básica que nos genera esto y nos crea el árbol al igual que vimos con la risión lineal y la logística que al principio le damos eh simplemente le damos la Data que hay luego iremos analizando y veremos también como cambiando algún parámetro podemos mejorarlo entonces para que veáis lo que nos ha generado Ahora yo ahora lo que le he dicho Es que quiero visualizar el árbol de decisión entonces lo que me Está es dibujando en una gráfica ese árbol Esto es lo que ha sacado el modelo de
entrenamiento basado en nuestros datos entonces empieza generando el árbol en función de las páginas en el sitio web ha considerado que las páginas vistas eh es una variable bastante bastante significativa por no decir que es la más significativa por eso la ha puesto como medida de discriminación al principio de todo Oye eh nuestro lit ha visitado más de 4 con5 veces nuestra web Sí o no sí eh eh Bueno la condición es justo al revés es decir páginas vistas menor que 4.5 veces Sí pues se pasa la otra pues pasa a comprobar la frecuencia de
interacciones si son en este caso menores que un con9 Eh sí o no peres Bueno pues el presupuesto invertido entonces va creando nuestro árbol que todo esto Bueno se puede lo podéis analizar Lu si hacéis ejercio en vuestra casa Y y y y veis un poco que ha sacado es bastante interesante ver lo que saca Y cómo va haciendo y tal para entenderlo pero tampoco vamos a entrar a analizar todo el árbol porque tampoco nos interesa ahora mismo eh ahora lo que queremos es nos interesaría para comparar no con el ejercicio eh anterior eh de
la sesión de la semana pasada frente a la regresión líneal y logística Pues sería no Oye vamos a ver qué calcul de calcular Qué probabilidades de conversión nos saca el árbol de decisión para ver si es más preciso o menos preciso Pues a ver Es verdad que los árboles de decisión y Random Forest no calculan probabilidades directamente como lo puede hacer una regresión logística podemos obtener una estimación de la probabilidad de que un lad eh convierta en cliente o no usando una función que vamos a usar Ahora y esta función lo que hace es devolver
la probabilidad de de que un lad pertenezca a cada clase es decir nos divid en clases Entonces en este caso hay dos clases que es la de C que no convierta y la de un que sí convierta Entonces vamos a seguir añadiendo [Música] aquí a nuestro modelo Disculpa Pues otra vez explicar es decir el árbol de la decisión no arja una probabilidad Me explicas otra vez esa parte por Favor sí que si vale bueno que lo que básicamente eh Bueno me voy a esperar 2s minutos a contestar tu pregunta por Yo creo que con lo
que voy a explicar ahora del siguiente ejercicio lo vas a entender mejor y respondo bien a tu pregunta con todos los datos entonces lo que está explicando que vamos a aplicar esto que nos Calcula las probabilidades de conversión para el conjunto de prueba y esta es la que lo que nos ha sacado estamos viendo que bueno que nos ha sacado solamente para las primeras cinco filas porque tenía yo puesto aquí pero si quemos sacar para todo le quito que me lo límite a cco y me saca Por qué me saca 20 si contáis aquí hay
20 líneas porque 20 líneas recordad que son nuestras pruebas lo otro era Entrenamiento teníamos 100 lits el 80 lo hemos pasado a entrenamiento y 20 lo hemos pasado para hacer pruebas Entonces estamos haciendo pruebas sobre nuestros 20 sobre 20 lits entonces aquí que podemos ver que cada fila de salida que nos da vale esto que veis 10 1 0 1 C cilad de salida nos da dos probabilidades la primera es la probabilidad de que el liit no se convierta que era nuestra clase cero y la segunda es la probabilidad de que el Liit sí se
convierta clase un entonces podemos ver aquí en el primer caso este 0 01 pues no está diciendo que la primera predicción probabilidad de no convertir es cero y la probabil de si convertir es es uno el segundo que es al revés pues qué nos está diciendo que la probabilidad de no convertir es uno y la probabilidad de si convertir es es cero entonces Eh Esto explicado sería que el modelo a ver segundo a ver cómo lo puedo explicar para que se entienda bien Es decir que lo que nos está diciendo este este primer caso es
que el modelo está Seguro seguro de que este elit se convertirá en cliente es decir que tiene una probabilidad de 100% de que este elit se va a convertir en en cliente frente a la al siguiente caso que era el de 10 Eh la conclusión de este de este caso es que el modelo Está seguro de que este elit no se convertirá es decir que tiene una probabilidad del 100% de que no va a convertir acordaos que la el primer número es la clase cero de no convierten y nuestro siguiente número es que convierte entonces
nos preguntaréis os preguntaréis porque este modelo da probabilidades de 01 no en nuestro ejemplo del otro día en la regresión logística Pues nos da probabilidades Pues entre 0 y un pues 0,11 0,33 no 37 por 39 sin embargo aquí parece que hemos dado un paso dónde lo tengo aquí Un paso atrás Ahora solamente nos da 0 y 1 Eh Esto es porque en este caso el árbol de decisión eh Por eso también eh decía que no eran probabilidades como tales está haciendo predicciones binarias vale esto es un poco ya respondiendo a la pregunta que me
habéis hecho antes está haciendo prediciones binarias con certeza total de solamente Cer y un entonces lo que está significa que según los datos de entrenamiento ha prendido reglas muy claras Y está 100% seguro de sus predicciones sin embargo pues esto podría indicar que nuestro modelo está bast sobreajuste haber aprendido pues patrones muy específicos de esos datos en lugar de aprender reglas pues mucho más generales posible mejora pues lo que vamos a ver ahora después usar modelos Como Random Forest que suelen ser más robustos no y menos propensos a a producirse ese sobreajuste y como estas
probabilidades van a cambiar por completo con el Random Forest ahora vamos a vamos a continuar con este ejercicio y luego hacemos comparativa vamos a seguir añadiendo eh más código Entonces ahora lo que queremos saber qué Variables han sido más importantes para este árbol de decisión para eso Bueno pues eh utilizamos estas sentencias de código ejecutamos y veis que nos da unos resultados para cada variable tenemos un número al lado que esto representa la importancia de cada variable Y cuánto peso tienen en nuestro modelo pues podemos sacar conclusiones Ya de estas variables la verdad podemos ver
que la variable más importante la tenemos Aquí son las páginas vistas en el sitio web esta variable es la más influyente en las predicciones de este modelo en concreto acordaos que las sesiones anteriores la variable más con más relevancia era la de interacciones fijaos Dónde está ahora ya no tiene tanta importancia para el árbol de decisión y ahora la que más importancia Tiene es esta Pues bueno otras variables eh eh también como el días desde primer contacto tiempo desde la última interacción Eh pues son también bastantes importantes eh la el presupuesto invertido Pues bueno está
un poco ahí ahí en el aire es relevante pero no la más importante frecuencia de interacciones Parece ser que no más interacciones frecuentes pues parecen Mejorar la probabilidad de conversión pero no tanto como las visitas y interacciones y fuente numérica Pues la verdad que en este caso son las que menor importancia le da el modelo así como el tiempo Total que pasan en el sitio web Pues que tiene también muy poca eh relevancia Y una manera también os voy a poner aquí de verlo todo más eh gráfico e las variables para que podamos observarlo y
así lo vemos también de Manera más clara no lo que hemos comentado la más importante es esta y la menos importante la lo del tiempo total en el sitio web eh Vale ahora nos vamos a ir [Música] a estoyo qué hora es 86 Quiero ver también no quiero que se alargue mucho Quiero ver el Random Forest con vosotros dadme un segundo que voy a ver Si veo algo más de árbol de decisiones con vosotros o pasamos vale bueno y quería ver más en detalle alguna cosilla pero si no no lo voy a ver hoy lo
vemos la semana que viene Eh vale entonces al final de conclusión general comparando un poco con la regresión logística la semana de la semana pasada Pues bueno son dos maneras de hacer predicciones pero cada una tiene sus ventajas y desventajas el árbol de decisión La principal ventaja Pues nos dice Cuáles son las cosas más importantes para predecir si un l se convertía en cliente o no por ejemplo el número de páginas ta ta ta Pues el tiempo desde la última vez eh Y y esto nos ayuda a saber qué factores influyen más en la conversión
desventaja el árbol de decisión toma decisiones muy categóricas es decir como sí o no y no nos dice Con qué tanta seguridad hace esa predicción es como si siempre estuviera seguro lo que dice lo Cual no siempre es realista y en cambio pues la regresión logística que vimos el otro día la ventaja nos da una idea más clara de qué tan probable es que un lead se convierta en cliente en lugar de decir no solamente sí o no pues nos da una probabilidad Pues nos dice Oye tiene una probabilidad del 70 por de que sí
y un 30 de que no eh Pues bueno Esto es más útil cuando queremos entender si hay dudas o incertidumbre en la predicción Desventajas de la región logística Pues que a veces no capta bien todas esas relaciones entre variables Así que puede dejar de lado detalles bastante bastante importantes Qué es lo mejor para nuestro problema peres bueno el árbol de decisión nos dice bien Qué cosas importan más pero es muy rígido y no muestra grados de seguridad resión logística nos ayuda a ver Cuánta probabilidad ha de algo que ocurra de lo lo que es genial
Bueno cuando Queremos saber si el modelo Está seguro o no esto es poner una balanza y Ver ver qué nos interesa más Javier veo que has levantado la mano de hecho recuerdo que en la regresión logística e la relación de páginas vistas en el sitio web no era esa variable no era tan importante aquí pareciera que tomara una relevancia bastante alta Efectivamente es decir que aquí porque ya empieza a interactuar y a Detectar relaciones más complejas es decir es capaz de analizar esas relaciones de si se cumple o no se cumple ciertas condiciones eh eh
la eh la conversión del lad pues es más probable o menos probable es decir hace operaciones más complejas y sí que busca relaciones entre variables eh la risión logística no hacía ningún tipo de relación entre las variables era todo lineal eh daba por hecho que si yo Aumento interacción eh aumentaba una interacción pues eh era más probable que aumentara el lip aquí ya empieza a intervenir otras cosas y se le puede Buscar relaciones todavía son relaciones s simples y analizá luego tranquilamente el árbol eh veis que es s simple y nos ha saca est esta
conclusión es la que nos ha sacado ahora eh no decimos que sea correcta ni nada porque por qué nos Por qué toma como las páginas vistas el Sitio web como la variable más importante Por qué toma esta decisión de menor de 4.5 páginas vistas para discriminar o no discriminar dec que hay mucho dato que analizar y y que iremos Ajustando iremos iremos viendo esto solamente lo que nos saca el modelo básico sin hacer ningún tipo de Configura en nuestro modelo árbol variables ni nada simplemente le hemos Creado un árbol y le hemos dicho estos son
los datos haz lo que quieras tú juega tú pero nosotros no le hemos dado nuna importancia ni ni hemos configurado nada de variables a para crear ese ese árbol de decisión por tanto podemos decir que ahora está sacando conclusiones un poco a lo loco por su cuenta pero bueno que también eses comparar los distintos modelos y ver cómo saca informaciones distintas al final el objetivo de todas Estas sesiones es eh tener una visión global de todos los modelos que hacen que se cómo se puede configurar eh Qué cosas se pueden hacer y y así saber
si es bueno aplicar Bueno qué Qué modelo se debe aplicar en en cada caso también valoraremos Al final de todas estas sesiones el árbol de decisiones es bueno y por lo que vemos ahora no tiene mucho sentido encontrar utilizar un árbol de decisión para lo que queremos porque el Que nos diga cer unos a nosotros no nos sirve de nada Ahora veremos con el Random Forest como esto cambia Eh vale continuando con el ejercicio pues ahora vamos a ejecutar el Random Forest Qué vamos a hacer para el Random Forest pores lo primero eh le tengos
que defir nuestro Script que vamos [Música] a a Importar el modelo Random forex y el segundo paso que vamos a hacer es crear el modelo Random Forest aquí mira fijaos sí que voy a comentar una variable que es el n estimators esta variable significa que queremos 100 árboles en nuestro modelo queremos utilizar 100 árboles de decisión es decir el n estimat es el número de árboles que vamos a utilizar en nuestro modelo Random [Música] Forest lo siguiente es entrenar el modelo es decir aquí estamos diciendo creándolo ahora lo que vamos a hacer es entrenar entrenando
entrenarlo Vale segue cogiendo el x trin y el la y train vale que es nuestro dataset vale como nuestro dataset Ya lo tenemos importado no hace falta que lo volvamos a importar pero le estamos diciendo eh dónde de aquí vale recordad que el 80 va entrenamiento y el 20% de los datos van a a testing y Pruebas eh vamos a ejecutarlo para asegurarnos de que no de fallos efectivamente no no da nú tipo de fallo vamos después de entrenarlo lo que vamos a hacer pedirle al igual que hemos hecho con el árbol de decisión lo
que quemos a hacer es predicciones en el conjunto de prueba lo ejecutamos y ya vemos que funciona todo Una vez que hace sus predicciones Ahora vamos a sacar por pantalla los datos para poder valorarlo vale porque como no lo hemos dicho nada que lo saque no hemos visto nada entonces eh fijaos a Ahora que nos saca un 0,55 acordaos que la predicción la precisión de predicción del árbol de decisión era del 0,6 aquí la precisión del Random Forest eh ha fallado bueno ha fallado Perdón ha Disminuido con respecto es menor la eh eh la precisión
Vamos a continuar con un una matriz de confusión ahora explico esto y ejecutamos y nos saca esta gráfica Bueno pues la matriz de confusión lo que nos sirve eh es una imagen yo creo que muy visual sobre todo para mostrar Cuántas predicciones fueron correctas Y dónde ha Fallado el el modelo entonces podemos ver eh En qué casos no el modelo predijo bien y cuando se equivocó y esto lo que al final lo que nos hace es facilitar la evaluación del rendimiento del modelo Pues esta matriz de confusión vamos eh de confusión vamos a analizar aquí
podemos ver los valores eh tenemos como eh en el eje y aquí vemos los valores reales aquí en el eje x las Predicciones ent los son las verdaderas etiquetas lo que realmente sucedió en la realidad no es que el lip no se convirtió en cliente Sí es que el lip sí que se convirtió en cliente es decir los datos reales que tenemos en nuestro datas y en las predicciones son las predicciones que ha hecho nuestro modelo eh lo que el model el modelo cree que sucederá entonces no el modelo quiere decir que predijo que el
L no se convertir en cliente y si el modelo Predijo que el did sí se convertirá en cliente entonces Bueno ya analizando esta imagen en concreto vemos aquí nu como verdaderos negativos en la esquina superior izquierda qué quiere decir esto Pues que el modelo predijo no que no se convertiría y en realidad el lit no se convirtió por tanto Estos son aciertos es decir el modelo acertó prediciendo correctamente que estos leads no se convertirían por otro lado aquí en la Esquina superior derecha el tres tenemos los falsos positivos es decir que el modelo prijo sí
que si convertirían pero en realidad no han convertido Entonces estos son errores es decir también conocidos No se suen llamar con falsos positivos es decir que el modelo piensa que el lad va a convertir pero en realidad no lo ha hecho luego aquí abajo a la izquierda tenemos los llamados falsos negativos que tenemos seis en concreto pues estos son los que el Modelo predijo o no que no iban a convertir pero en realidad sí que convirtieron estos leads son errores también esto llaman falsos negativos y que el modelo ha fallado y luego en la esquina
inferior derecha tenemos los verdaderos positivos los que el modelo predijo sí que sí iban a convertir y en realidad el lip sí que convirtió en cliente qué interpretamos de estos resultados por un lado aciertos es decir el modelo acertado Correctamente pues nueve casos donde los leads no convertirían Y acertado también dos casos donde los leads Sí convirtieron y luego interpretamos que también produce bastantes errores pues tres falsos positivos no hemos detectado aquí que que el modelo pensaba que los leads se convertirían pero no lo ha hecho y aquí seis errores que son falsos negativos donde
detectó que los leads se iban a convertir es Ese Perdón al revés que los list no iban a convertirse cuando en realidad sí que lo han hecho un poco así de conclusiones que podemos sacar de esto Pues creo que es un eh los falsos negativos preocupan bastante que tenga que haya seis falsos negativos esto significa que al final que lo que está eh significa está perdiendo oportunidades de detectar leads que realmente sí convierten Y si queremos Maximizar no Buscar maximizar las conversiones pues esto Este es un dato bastante preocupante y que nos está diciendo que
nuestro modelo no es muy muy preciso y luego por otro lado los falsos positivos no lo mismo Pues el modelo también tiene algunos falsos positivos que son tres aquí arriba a la derecha y lo que significa es que en algunos casos predice que un lit se convertirá pero no lo hace esto puede ser un problema si estás invirtiendo Sobre todo por ejemplo recursos en lit que finalmente no convierten ajustar parámetros de Random Forest para mejorar su capacidad de detectar correctamente los leads que pues bueno el Random F se puede pasar más parámetros de los que
le hemos pasado le podemos pasar más árboles eh le podemos eh cambiar datos meter más variables y ver cóm esto disminuye eh otra posible mejor cambiar la métrica de evaluación en lugar de enfocarnos solo En la precisión podríamos considerar otras métricas vale eh vamos a ver dos en concreto bueno estas no las vamos a ver hoy no da mucho tiempo pero bueno que hay otras métricas que eh Por ejemplo el recall o el f1 score Pues el recall sirve para mejorar la detección de los verdaderos positivos y el f1 score combina un poco la combina
la precis y el recall para tener un equilibrio entre ambos tipos de errores ahora vamos a ver otro tipo de Gráfica lo ejecuto rápidamente para que se genere lo podéis ver aquí pues esta gráfica es la curva Rock vale Rock viene de receiver operating car eh Y esta gráfica es para el modelo Random Forest entonces la curva Rock Es una herramienta al final que se utiliza para evaluar el rendimiento de un modelo de clasificación en este caso nuestro modelo de predicción de conversión de Elits y lo que hace es comparar dos métricas clave por un
lado tenemos en elgi eh la tasa de verdaderos positivos y en el x tenemos la tasa de falsos positivos entonces eh la tasa de Verdades positivos vale es también la conocida lo que he explicado antes eh eh conocida como recall o sensibilidad es la proporción de casos positivos reales que fueron correctamente clasificados como Positivos por el modelo y por otro lado la tasa de falsos positivos la de el eje x es la proporción de casos negativos reales que fueron clasificados incorrectamente como positivos por el modelo entonces veis aquí una línea verde que representa el rendimiento
de nuestro modelo Random Forest en diferentes umbrales de decisión a medida que aumentamos el umbral de clasificación por ejemplo pidiendo al modelo que esté Más seguro antes de decir que un l se convierta la curva cambia y la diagonal esta que veis aquí entre gris punteada vale esta gris que va aquí pues esta es la referencia de un modelo aleatorio si nuestro modelo estuviera en esta línea significaría que está prediciendo conversiones al azar 50% de acierto en promedio más o menos cualquier modelo que se encuentre por encima de esta línea está haciendo eh se Considera
que está haciendo un mejor trabajo que esa línea creada al azar si estuviésemos por debajo significaría que nuestro modelo eh es menos preciso que lanzar eh predicciones al al aire entonces bueno por lo menos eh estamos tranquilos de que eh Al menos saca cosas con lógica vale Y luego podemos ver aquí abajo a la derecha que pone Au igual a 065 el a significa área bajo la curva Que es una medida de eh Cómo decirlo de de qué también el modelo puede distinguir entre las clases entre las clases eh acordaros que era l que se
convierten o no eran nuestras Dos clases Pues por tanto el Au siempre está entre 0 y 1 uno significa que el modelo es perfecto predice sin ningún tipo de errores 0,5 indica que el modelo no tiene capacidad predictiva lo hace completamente al Azar y y que esté entre 0,6 0,7 como nuestro caso pues lo que nos está indicando que es tiene un rendimiento Modesto aceptable eh sugiere que el modelo es muy potente para distinguir Lips que convertían o no es decir que no no es un modelo muy muy bueno lo que nos ha sacado Y
eso es un poco como conclusión que sacamos con este gráfico el hecho que la curva esté verde por encima de la diagonal Pues nos indica eso que es capaz de distinguir entre los lits que convertían o no en cierta medida es decir no perfecto posibles mejoras analizar hiperparámetros del Random Forest que le podemos pasar a la hora de crearlo y entrenarlo que esto veremos el próximo día porque hoy no no va a dar tiempo pero bueno el otro el próximo día partiremos Ya de estos ejercicios creados Entonces ya nos permitirá jugar con ellos y encima
os Animo a que practiquéis en vuestra casa siguiendo las guías eh simplemente para eh repasar todo lo que se ha hecho Entonces se puede ajustar o más eh parámetros a nuestros modelos Añadir más variables a nuestro datas set de hecho para la clase que viene tengo preparado ya muchas más variables porque quiero que veáis eh la diferencia en cuanto le metemos más variables con sentido no variables a lo loco mucha le vamos a meter cuatro o cinco variables más a Nuestro dataset y Vais a ver cómo los cambios son brutales y otras posibles mejoras es
decir Oye pues no no me sirve el árbol de decisión no me sirve el Random Forest vamos a utilizar otro tipo de modelos vamos podemos utilizar el gradient boosting acordaos que lo vimos la semana pasada que también son árboles de decisión pero la diferencia con con respecto al Random Forest es que no utiliza muchos eh Árboles de decisión a la vez y luego saca predicciones de toda esa información sino que utiliza árboles pero de uno en uno es decir utilizo este árbol y voy aprendiendo de mis errores y voy interpretando y voy creando otro árbol
y creo otro árbol con el error aprendido y y creo otro y creo otro y creo otro y siempre va aprendiendo el anterior pues ese era el grading boosting que ese vamos a hacerlo la semana que viene también aquí en Google Colap Para que veáis la diferencia y luego ya por último está el de redes neuronales de redes neuronales ya eh repito es para cuando estemos ejercicios muy complejos de muchísimos muchísimos eh datos pero vamos a hacer también vamos a llegar a hacer algo de redes neuronales eh en esta con este ejercicio pero ya será
lo último que que veamos de ya como punto final a nuestro ejercicio de de leads Eh pues veremos también algo de redes Neuronales vamos a analizar al igual que hemos hecho en el árbol de decisión la importancia de las variables a ver si nos da lo mismo o no podemos verlo Aquí vamos a sacar también las gráfic format gráfica para verlo rápidamente más de manera más sencilla que es mucho más visual como podéis ver alguno viendo esto se anima sacar una conclusión de variables son las mismas Que antes es decir la importancia o ha variado
invertido toma una relevancia que cuando no lo veíamos que cuando loamos en la regresión lineal el presupuesto invertido era prácticamente cero aquí toma la mayor relevancia efectivamente estamos viendo como variables que no tenían nú tipo de relevancia con la regresión lineal logística de repente están subiendo a lo loco a medida que que vamos eh Metiendo modelos herramientas más avanzadas esas eh esas variables van cobrando más importancia esto qué quiere decir que nuestros modelos a medida que utilizamos modelos más avanzados pues es capaz de interpretar eh todas esas relaciones no ent de ese sentido Oye a
un s al presupuesto más dinero eh más interacciones más tiempo navegando por mi página eh web pues todas estas cosas Cobra eh bastante sentido de hecho fijaos ahora un cambio con respecto al Árbol de decisión antes nuestra variable más importante era las páginas vistas en sitio web ahora ya no sin embargo cobra más relevancia es más importante pasar más tiempo en la página web que ver más páginas o bueno va va cambiando todavía no nos vamos a atrever ni vamos a sacar conclusiones Pero simplemente que veáis cómo van cambiando e todas estas interpretaciones en función
de del modelo que vayamos sacando Entonces bueno así un poco en resumen del Random Forest hemos sacado que la precisión que del modelo ha sido de 055 de 55 por esto lo que significa que el modelo acertó un 55 por de de las veces al prif un lip si convertiría en cliente o no eh este resultado es bajo decir aunque este resultado algo algo bajo el Random Fest sigue siendo eh robusto porque toma en cuenta muchos árboles lo que reduce el riesgo de sobreajuste Aunque este eh caso a lo Mejor no ha sido muy preciso
lo podemos mejorar esa precisión pero no nos fijemos todavía en que como conclusión de que el árbol de decisión es mejor que el Random Forest Porque todavía hay bastante margen de maniobra y de mejora eh Y bueno las variables ya hemos visto Cómo eh cómo cambian si nos vamos no hemos sacado quería haber Sacado las variables de precisión no la probabilidad no sé por qué no lo he puesto vale lo añadid al modelo quería haber sacado para que vieseis os Lo pondré aquí en el ejercicio para que lo hagáis en casa porque creo que se
me ha olvidado añadirlo que es que quería que vieseis la comparativa al igual que en el árbol de decisión hemos sacado las de conversión quería sacarlas aquí también Pero creo que no las he he sacado no est no si tenía apuntado el código pero no lo tengo Entonces os Lo pondré y lo veremos también partiremos como ya es tarde hoy partiremos la sesión de la semana que viene desde aquí eh Y veremos eso al final Bueno un poco de comparativa de de los dos modelos que hemos visto hoy el árbol de decisión al final eh
la precisión Eh acierta más que el Random Forest Eh Pues el árbol de decisión ha desempeñado mejor en términos de precisión esto puede suceder porque los datos que estamos usando no son demasiado complejos y un solo árbol de decisión es capaz de captar las reglas de predicción de manera más efectiva y el Random Forest Aunque es más robusto que hemos dicho combina muchos árboles lo que puede hacer que sea más difícil de afinar si los datos no tienen Demasiadas variaciones o si el conjunto de datos es pequeño es decir que puede influir muchas cosas por
eso el la semana que viene veremos eh Como metiéndole más datos más variables Cómo va a cambiar considerablemente esto eh iba a hablar también hoy un poco de predicciones de probabilidades de comparación pero como no lo vamos a ver hoy lo veremos la semana que viene y luego comentar simplemente también a Nivel comparativa la importancia de de las variables Pues que vemos cómo va cambiando eh a medida que aplicamos un modelo u otro es decir el árbol de decisión hemos visto que se enfocaba mucho más en la ruta en una ruta particular no que hemos
dicho la de las visitas que era en donde empezaba el árbol arriba del todo y ya iba desglosando creando ese flujo y el Random for que es verdad que nos da una visión mucho más completa del problema Mostrando todas las variables como tienen un impacto más distribuido no en la predicción recordar el el término que hemos visto hoy el over fitting que es el sobreajuste que el árbol de decisión es más propenso a generar sobreajuste el Random Forest es menos propenso y viene un poco a solucionar este problema eh Cuando no se suele usar cada
uno vale esto lo preguntaréis después de haber oído los Dos modelos Pues bueno el árbol de decisión principalmente eh se usa es útil Cuando tenemos datos simples y necesitamos tomar decisiones rápidas y categóricas es ideal eh Cuando Queremos saber qué variables son las más importantes de manera clara y directa Mientras tanto el Random Forest más adecuado cuando tengamos muchos datos datos más complejos y queremos evitar que el modelo se produzca ese sobre ajuste a Los detalles pues más específicos del conjunto de de entrenamiento Si necesitamos manejar predicciones graduas trabajar con datos que tienen más incertidumbre
siempre va a ser mejor opción el Random Forest entonces bueno ambos modelos tienen sus ventajas y desventajas eh se puede elegir uno u otro en función de la complejidad de los datos el tipo de predicción que queramos hacer y y nada la semana que viene iremos viendo Un poco esto entrando ya modificando parámetros más datos Y yo creo que iréis viendo bastante como Cómo cambia cambia todo os a volver otra vez al cur rápidamente vamos a hacer algunas preguntitas sobre esto para que quede claro todo lo que hemos visto la primera pregunta es Qué porcentaje
de los datos usamos para entrenamiento en este ejercicio acordaos que dividíamos los datos una parte se iba entrenamiento y otra parte se iba a Nuestro testing a nuestras pruebas pues la parte del entrenamiento la respuesta correcta el 80 hemos dicho que entrenábamos nuestro modelo con el 80% de los datos y con el 20 hacíamos las pruebas siguiente pregunta cuál es la función principal de un árbol de decisión que es calcular probabilidades crear gráficos visuales clasificar solo datos lineales hacer predicciones basadas en Reglas esto lo hemos preguntado antes también de manera parecida con otras respuestas en
esta ha fallado antes ha fallado bastante gente Espero que ahora no fallis tantos después de ver todo hacer predicciones basadas en reglas Efectivamente es decir en el árbol de decisión antes cuando se hecho zoom que había reglas No si se cumple si es menor las páginas vistas menor que cuatro eh si haces esto si no haces esto otro siguiente pregunta cuál es una Desventaja de los árboles de decisión no pueden hacer predicciones solo funcionan con datos categóricos tienen a sobreajuste a los datos no capturan relaciones lineales Pues bueno eh Aquí también lo he comentado bastante
bastante hoy la principal desventaja es tienden a sobreajuste a los datos siguiente pregunta qué significa el término sobreajuste Pues otra vez lo mismo Insisto en esto porque quiero que quede claro Este término entonces combinar múltiples modelos en uno solo ajustar el modelo a los datos de prueba hacer que el modelo sea más preciso memorizar demasiado los datos de entrenamiento Es memorizar demasiado los datos de entrenamiento sobreajuste recordar que ocurre cuando un modelo se ajusta demasiado bien a los datos de entrenamiento entonces Esto hace que sea Menos efectivo para predecir nuevos datos siguiente pregunta qué ventaja
ofrece El Random Forest sobre un solo árbol de decisión genera una sola predicción usa menos datos es más rápido entrenar reduce el sobreajuste después de esta tanda de preguntas creo que quede bastante claro el término sobreajuste efectivamente reduce el sobreajuste siguiente Cuántos árboles hemos Utilizado en nuestro modelo de Random Forest vale el que hemos hecho ahora en directo en nuestro ejercicio Cuántos árboles hemos utilizado a ver si os acordáis 100 10 500 o 50 pues la respuesta correcta es eh 100 acordaos que al principio al crear el el Random Forest he explicado me he parado
a explicar un parámetro en concreto eh Para y os dicho que este es el Parámetro que indica el número de árboles que queremos incluir en nuestro modelo Qué técnica usa Random Forest para hacer predicciones más precisas un solo árbol de decisión predice valores numéricos combina varios árboles usa una regresión lineal pues la respuesta correcta es que combina eh varios árboles Qué significa el parámetro en estimators en un Random Forest esto tiene que ver con una pregunta que ha Salido ahora número de interacciones de algoritmo número de datos en el conjunto de prueba número de árboles
en el modelo número de variables seleccionadas acordaos que es un parámetro que hemos configurado nuestro modelo antes Y qué le hemos indicado le hemos indicado el número de árboles en el modelo que nosotros habíamos utilizado en concreto 100 árboles para Entrenarlo Por qué es importante analizar la importancia de las variables en Random Forest para mejorar la precisión del modelo para reducir el tiempo de entrenamiento para aumentar el número de árboles para eliminar variables irrelevantes la respuesta correcta es para mejorar la precisión del modelo y última pregunta qué tipo de predicciones puede hacer el Random Forest
predicciones lineales predicciones categóricas y numéricas solo predicciones probabilísticas solo predicciones binarias Pues aquí la respuesta correcta es veo que ha estado bastante repartida la las respuestas ya explicaremos también más en detalle Qué quiere decir esto y cuando profundicemos los modelos pero la respuesta correcta efectivamente era predicciones categóricas y numéricas Es decir puede el Random FES al final lo que puede hacer son predicciones tanto de clasificación nombre categóricas como de regresión pores son numéricas lo que hace e bueno que sea un modelo Versátil para varios tipos de problema ya ahondaremos esto en la próxima sesión y
nada mientras os cuento un poco aquí de resumen eh Eh bueno os dejo por si queréis votar qué tal os ha aparecido la clase de Hoy y yo os lanzo alguna pregunta vale eh Por si alguno se quiere animar a contestar la primera pregunta que os lanzo es por qué el árbol de decisión puede tener mejor precisión que el Random Forest en algunos casos como lo que nos ha ocurrido hoy alguno quiere responder a esta pregunta porque la cantidad de variables son muy pocas efectivamente puede ser porque son variables porque son Variables eh muy sencillas
es decir que eh nuestro datas Puede que sea la razón que sea muy simple porque sigue un único camino claro de decisiones no ha encontrado otro pero repito esto también significa que está más propenso a sobre ajustarse a los datos y frente a datasets mucho más complejos grandes Pues el Random Forest suele ser robusto por eso en la próxima sesión cuando le metamos mucho más datos vamos a pasar de 100 lits A lo mejor Pasamos de 100 lit al doble a 200 metemos más variables pues probablemente veamos como el árbol de decisión disminuye la precisión
y el Random Forest aumenta y y a ver si tengo alguna otra pregunta para terminar que tenía varias aquí así si no empezamos la semana que viene con ella para que no se alargue mucho vale No las que tengo apuntadas vamos a empezar la sesión de la semana Que viene eh con ello os cuento brevemente Eh vale acordaos que tenéis aquí en la carpeta todo por si lo queréis intentar hacer en vuestra casa y la semana que viene vamos a partir de estos dos modelos Ya hechos como ya lo hemos explicado y los tenemos hechos
Eh pues vamos a mejorarlos a jugar con variables y ver qué cosas sacan y vamos a incorporar un nuevo modelo que es el gradient boosting vale que al final de La sesión la semana que viene pues lo introduciremos sobre todo estaremos enfocados en árbol de decisión y Random Forest pero ya haremos algo con gradient boosting también para ir viendo ir introduciéndolo y y hasta aquí las de hoy no no me enrollo mucho más simplemente eso de que vamos a seguir trabajando este ejercicio vamos a ampliar el dataset y nada que muchísimas gracias a vosotros por
asistir a los que habéis asistido a la Clase y si tenéis alguna pregunta alguna duda que queráis preguntar ahora adelante Gracias a vosotros excelente clase gracias graci Aquí la clase y nada nos vemos la semana que viene Hasta luego Hasta luego que bien al an