La Matriz de Confusión no se ve al construir un Bosque Bootstrap con una Respuesta CategóricaHola.
He estado trabajando con el archivo Equity (base de datos JMP) en JMP Pro 18 para crear un bosque Bootstrap con una respuesta categórica (BAD). He seguido las instrucciones que se indican en https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml#
Sin embargo, el informe no incluye la matriz de confusión. ¿Alguien podría indicarme si me estoy saltando algún paso?
Además, al principio de esta guía se dice que " el modelo de bosque bootstrap está diseñado para predecir si un cliente representa un riesgo crediticio malo". Sin embargo, a partir del análisis presentado en la guía, ¿cómo puedo concluir claramente el resultado (es decir, si representa un riesgo crediticio malo)?
Modelado estadístico avanzadoModelado predictivo y aprendizaje automáticoRe: La Matriz de Confusión no se ve al construir un Bosque Bootstrap con una Respuesta CategóricaAquí está el conjunto de datos de equidad
Re: La Matriz de Confusión no se ve al construir un Bosque Bootstrap con una Respuesta CategóricaCambie la columna BAD al tipo de modelado Nominal.
Re: La Matriz de Confusión no se ve al construir un Bosque Bootstrap con una Respuesta CategóricaHola @madhu ,
Es extraño, relanzar un bosque Bootstrap en este conjunto de datos de equidad me genera una matriz de confusión:
También verifiqué y la matriz de confusión se muestra por defecto en el informe, su aparición es automática y no está relacionada con las preferencias de la plataforma:
¿Quizás puedas contactar con el soporte técnico en support@jmp.com ?
Para su segunda pregunta, el objetivo de este conjunto de datos es predecir en base a varios descriptores (PRÉSTAMO, HIPOTECA, VALOR, ... DEUDA) si una persona tiene un riesgo crediticio malo (nivel "Riesgo Malo" en la columna de respuesta "MALO") o uno aceptable (nivel "Riesgo Bueno").
El objetivo de un banco o compañía de seguros es prestar dinero solo a personas que puedan devolverlo, por lo que si puede detectar a las personas que pueden devolverle el dinero de manera efectiva gracias a varios descriptores y un modelo, puede determinar más fácilmente si el riesgo de prestar dinero vale la pena o no.
Espero que esta respuesta pueda ayudarte.
Re: La Matriz de Confusión no se ve al construir un Bosque Bootstrap con una Respuesta CategóricaHola #jthi
Esto es correcto. He notado que los datos incorrectos estaban marcados como "continuos". Ahora los he cambiado a "nominales" y el problema ya está resuelto. Gracias por su ayuda.
Re: La Matriz de Confusión no se ve al construir un Bosque Bootstrap con una Respuesta CategóricaEstimado @Victor_G
He observado que los datos incorrectos estaban marcados como "continuos". Ahora los he cambiado a "nominales" y el problema ya está resuelto. Gracias por su ayuda.
Respecto a mi segunda pregunta, entiendo que el modelo de bosque bootstrap está diseñado para predecir si un cliente representa un riesgo crediticio malo.
En el ejemplo de bosque Bootstrap con una respuesta categórica como se ve en el siguiente enlace, se produjeron e interpretaron tres informes que cito a continuación.
https://www.jmp.com/support/help/en/17.1/?os=win&source=application#page/jmp/example-of-bootstrap-forest-with-a-categorical-response.shtml#
- Informe de estadísticas generales
“El informe general muestra que las tasas de clasificación errónea para los conjuntos de validación y prueba son de aproximadamente el 11,4 % y el 9,9 %, respectivamente. Las matrices de confusión sugieren que la mayor fuente de clasificación errónea es la clasificación de clientes de riesgo malo como riesgos buenos.
Los resultados del conjunto de prueba le dan una indicación de qué tan bien se extiende su modelo a observaciones independientes. El conjunto de validación se utilizó para seleccionar el modelo de bosque Bootstrap. Por este motivo, los resultados del conjunto de validación dan una indicación sesgada de cómo se generaliza el modelo a datos independientes”.
- Informe de contribución de columnas
[Está interesado en determinar qué predictores contribuyeron más a su modelo].
“El informe de contribuciones de columnas sugiere que el predictor más sólido del riesgo crediticio de un cliente es DEBTINC, que es la relación deuda-ingresos. Los siguientes contribuyentes más importantes al modelo son DELINQ, la cantidad de líneas de crédito morosas, y VALUE, el valor tasado del cliente”.
- Informe de valores faltantes
“La columna DEBTINC contiene 1267 valores faltantes, lo que representa aproximadamente el 21 % de las observaciones. La mayoría de las demás columnas involucradas en el análisis del bosque Bootstrap también contienen valores faltantes. La opción Informative Missing (Falta de información) en la ventana de inicio garantiza que los valores faltantes se traten de una manera que reconozca cualquier información que contengan”.
Sin embargo, me cuesta comprender cómo se pueden utilizar los resultados de los tres informes anteriores para predecir si un cliente representa un riesgo crediticio malo.
