XLSTAT: Aumento de gradiente extremo (XGBOOST) en Excel

 

Conjunto de datos del ejemplo

El conjunto de datos se extrae de la plataforma de ciencia de datos Kaggle y puede accederse en dicha página.

El dataset “Banknotes” comprende una lista de 200 billetes con cierta información. Contiene 6 variables: una cualitativa relacionada con la autenticidad del billete y cinco cuantitativas relacionadas con sus dimensiones.

• Counterfeit: si el billete es auténtico se indica con “0”; en caso contrario, si es falso, se indica con “1”. En este conjunto de datos, 100 billetes son falsos y los otros 100 son auténticos.

• Length, Left, Right, Bottom, Top son variables cuantitativas.

 

Configuración

• Abre XLSTAT.

• Haz clic en el menú Aprendizaje automático y selecciona la función Extreme Gradient Boosting.

En la pestaña General:

• En el campo Variable respuesta, selecciona la variable Counterfeit.

• Define el Tipo de respuesta como Binaria porque la variable respuesta solo toma dos valores distintos.

• En Variables explicativas cuantitativas, selecciona todas las demás variables del conjunto de datos.

En la pestaña Opciones:

• Hay muchos parámetros disponibles para configurar el modelo; aquí dejaremos los valores predeterminados.

En la pestaña Validaciones:

• Selecciona mantener 30 observaciones aleatorias para evaluar el rendimiento del modelo.

En la pestaña Resultados:

• Activa la Matriz de confusión, la Importancia de las variables (configurada en Gain) y Resultados por Objeto.

Haz clic en OK para ejecutar los cálculos.

Los resultados aparecerán en una nueva hoja de Excel.

 

Interpretación de los resultados

Las tasas de clasificación incorrecta muestran el rendimiento del modelo: 1,2% para el entrenamiento y 10% para la validación.

La matriz de confusión muestra la precisión por clase: 98,78% para billetes auténticos (modalidad 0) y 98,86% para falsos (modalidad 1).

El confusion plot compara visualmente los valores observados (gris) y los predichos (naranja), mostrando un solapamiento casi perfecto con 81/82 y 87/88 predicciones correctas para las modalidades 0 y 1, respectivamente.

La tabla Resultados por objeto muestra para cada observación: su clase real, la clase predicha y las probabilidades asociadas a cada categoría de respuesta.

La tabla Importancia de las variables indica qué variables predicen mejor la autenticidad del billete.
La métrica Ganancia mide la contribución relativa de cada característica: una Ganancia más alto indica mayor importancia.
Aquí, BOTTOM (ancho del margen inferior) es la variable más importante, lo que sugiere una relación con la autenticidad.

 

Conclusión

En este ejemplo, el 97,65% de las observaciones están clasificadas correctamente, siendo el margen inferior la característica clave para determinar la autenticidad.
La precisión del 90% en los datos de validación confirma una buena capacidad de generalización del modelo.