Problemas de clasificación

Ejemplos Problemas de clasificación

1. Predicción comportamiento de clientes

2. Clasificación de documentos

3. Clasificación de imágenes

4. Clasificación de texto web

5. Predicción de la tasa de clics de los anuncios

6. Categorización de productos

7. Clasificación de Malware

8. Detección de fraude

9. Análisis de sentimientos de imágenes

10. Evaluación para ofertas promocionales

11. Problemas de detección de anomalías

12. Fraude en tarjetas de crédito

13. Validación de deducciones

14. Evaluación de solvencia crediticia

15. Recomendaciones para liberación de órdenes

16. Análisis de sentimiento

17. Predicción de abandono de clientes

Tipos de algoritmos de clasificación

• AdaBoostClassifier - ABC

• Gaussian Naive Bayes Classifier - GNB

• LightGBM - LGB

• Gradient Boosting Classifier - GBC

• K-nearest Neighbours Classifier - KNN

• Linear Discriminant Analysis - LDA

• Decision Trees - DT

• Logistic Regression Classifier - LRC

• Multi-layer Perceptron Classifier - MLPC

• Nearest Centroid Classifier - NCC

• Nu-Support Vector Classifier - nuSVC

• Quadratic Discriminant Analysis - QDA

• Random forest Classifier - RFC

• XGBOOST - XGB

De los Algoritmos se explicarán

• Árboles de decisión

• K-Nearest-Neighbor

• Regresión logística (Sólo para Clasificación binaria) - Target 0 / 1

Librería a utilizar en Python

• from matplotlib import pyplot as plt

• from sklearn import datasets

• from sklearn.tree import DecisionTreeClassifier 

• from sklearn import tree

Mejor modelo (algoritmo) a aplicar, una solución puede ser esta librería (PyCaret) que te compara muchos modelos a la misma vez

• https://todobi.com/pycaret-paso-a-paso/ 

KNN: K-Nearest-Neighbor (Vecinos cercanos)

• Puede usarse para clasificar nuevas muestras (valores discretos) o para predecir (regresión, valores continuos). 

• Sirve esencialmente para clasificar valores, buscando los puntos de datos “más similares” (por cercanía).

• Entonces, supongamos el siguiente escenario: Tenemos un Dataset con 2 Features, en el cual cada instancia puede pertenecer a una de dos clases: “Rojo” o “Azul”.

  • Depende el K es con el criterio a clasificar, pero evitar los extremos, un extremo es K=1 y el otro K=n. Cuanto más agrande el K más sesgo y si lo hago muy chico lo voy a estar overfiteando, por lo tanto hay que buscar un intermedio.

Ejemplo en Python:

import matplotlib.pyplot as plt

import pandas as pd

from sklearn import datasets, neighbors

from mlxtend.plotting import plot_decision_regions

def knn_comparison(data, k): # funcion de comparacion

x = data[['X','Y']].values # Extraccion de columns, separo x e y

y = data['class'].astype(int).values # Clase y como int

clf = neighbors.KNeighborsClassifier(n_neighbors=k) #algoritmo, instancio el modelo.

clf.fit(x, y)# Graficar la region de decision

plot_decision_regions(x, y, clf=clf, legend=2)# Añadir anotaciones

plt.xlabel('X')

plt.ylabel('Y')

plt.title('Knn with K='+ str(k))

plt.show()

# Cargar y aplicar funcion

data1 = pd.read_csv('ushape.csv')

for i in [1,5,20,30,40,80]: # Para diferentes valores de k (Knn)

   knn_comparison(data1, i) Genera un plot para cada valor  

Regresión logística

• Que prediga la probabilidad.

• Técnica de aprendizaje automático que proviene del campo de la estadística. A pesar de su nombre no es un algoritmo, sino que es un método para problemas de clasificación, en los que se obtienen un valor binario entre 0 y 1.

• Es un modelo estadístico que se utiliza para determinar si una variable independiente tiene un efecto sobre una variable dependiente binaria (Clasificación). 

• Usualmente solo hay dos resultados potenciales.

• Depende de la definición de un umbral para distinguir las clases binarias (por ejemplo, <50% mal escrito = no es spam,> 50% mal escrito = spam).