XLSTAT: EasyFit seleccione el modelo que mejor se adapte

 

Contexto

La función Easy Fit permite probar y comparar varios modelos predictivos sobre un mismo conjunto de datos. Dependiendo del tipo de variable a predecir (cuantitativa o cualitativa) y del tipo de variables explicativas, se proponen diferentes modelos predictivos. La función Easy Predict permite posteriormente predecir valores de nuevas observaciones utilizando los modelos generados.

Este artículo muestra cómo generar y seleccionar varios modelos de clasificación (cuando la variable Y a predecir es cualitativa). La función Easy Fit permite del mismo modo trabajar con modelos de regresión (cuando la variable Y es cuantitativa).

La siguiente tabla presenta los diferentes modelos predictivos disponibles actualmente en Easy Fit, según la naturaleza de la variable Y y de las variables explicativas X:

 

Datos para el análisis

El conjunto de datos proviene de la competición de aprendizaje automático titulada Titanic: Machine Learning from Disaster, disponible en la plataforma de ciencia de datos Kaggle. Se refiere al hundimiento del Titanic en 1912, donde más de 1,500 de los 2,224 pasajeros fallecieron, en parte por la insuficiencia de botes salvavidas.

El conjunto incluye una lista de 1309 pasajeros y sus características:

Variable cualitativa Y a predecir:

• SURVIVED: 0 = No; 1 = Sí

Tres variables explicativas cualitativas:

• PCLASS: Clase del viaje (1 = 1ª; 2 = 2ª; 3 = 3ª)

• SEX: Género (male; female)

• EMBARKED: Puerto de embarque (C = Cherbourg; Q = Queenstown; S = Southampton)

Cuatro variables explicativas cuantitativas:

• AGE: Edad del pasajero

• SIBS: Número de hermanos/esposos a bordo

• PARCH: Número de padres/hijos a bordo

• FARE: Tarifa pagada por el pasajero

 

Configuración

• Abre XLSTAT.

• Haz clic en el menú Forecasting / XLSTAT.ai y selecciona la función Easy Fit.

Aparecerá el cuadro de diálogo Easy Fit.

• Selecciona el tipo de variable Y a predecir. En este caso, Y es cualitativa y corresponde a la columna A (variable SURVIVED).

• Selecciona las variables explicativas. En este ejemplo, las variables explicativas cuantitativas son las columnas E, F, G y H, y las cualitativas son las columnas B, C y D.

La función Easy Fit propone automáticamente ajustar 5 modelos diferentes:

• Regresión logística

• Random Forests

• k-Nearest Neighbors

• Support Vector Machine (SVM)

• Análisis discriminante

• Extreme Gradient Boosting

Haz clic en OK para iniciar los cálculos.

Los resultados se mostrarán en una nueva hoja de Excel.

 

Interpretación de los resultados

Los datos se dividen siempre en dos muestras:

• 80% para el aprendizaje del modelo

• 20% para su validación

A continuación se muestra una tabla resumen con las medidas de calidad de los modelos generados.

El mejor modelo para este conjunto de datos parece ser la regresión logística, ya que produce el menor número de observaciones mal clasificadas. A continuación, se muestran los resultados sintéticos del modelo generado.

Al inicio de los resultados de cada modelo, aparecen dos botones:

1. Primer botón: permite reiniciar automáticamente el cuadro de diálogo completo de la metodología, útil si se desean obtener resultados más detallados.

2. Segundo botón: permite realizar predicciones con el modelo seleccionado sobre nuevas observaciones que no fueron utilizadas en el aprendizaje o validación.

• Cuando se hace clic en este segundo botón, aparece el siguiente cuadro de diálogo.

• Selecciona las mismas variables explicativas, pero ahora aplicadas a una nueva muestra, para predecir si los nuevos pasajeros sobrevivirán o no.

• Tras hacer clic en OK, los cálculos se ejecutan y los resultados se muestran.

• Los resultados predichos con Easy Predict se presentan a continuación:

 

Conclusión

En este artículo hemos visto cómo usar la función Easy Fit para generar varios modelos de clasificación predictiva sobre un mismo conjunto de datos.

Los resultados sintéticos permiten evaluar la calidad de los modelos. La presencia de botones interactivos facilita reiniciar el modelo completo o aplicar el modelo seleccionado a un nuevo conjunto de predicción.

Este artículo se ha realizado sobre un caso de clasificación (variable Y cualitativa), pero esta función también puede utilizarse para regresión (cuando la variable Y es cuantitativa).