Nivel: Principiante
Karen Copeland, propietaria de Boulder Statistics
Tarek Zikry, pasante técnico, SAS
Mia Stephens, Embajadora Académica de JMP, SAS
Para los modelos de clasificación dicotómicos (bueno versus malo, negativo versus positivo, sí versus no, etc.), se suele utilizar una curva ROC y el área bajo la curva (AUC) asociada para describir la capacidad del modelo para diferenciar los dos grupos. Si bien esto es un comienzo, la curva ROC puede ser difícil de comprender y el AUC puede ser engañoso fuera del contexto del problema de modelado. Para algunos modelos, la tasa general de clasificación errónea es clave; para otros, existe un costo asociado a las clasificaciones erróneas. Este costo puede ser muy diferente para un falso negativo que para un falso positivo. Analizaremos los modelos dicotómicos para la predicción y sus curvas ROC, curvas de elevación y representaciones alternativas del rendimiento del modelo. También analizaremos métodos para seleccionar puntos de corte óptimos para la clasificación y medidas de rendimiento basadas en el punto de corte especificado. Para facilitar la selección del punto de corte óptimo para los modelos de clasificación y el cálculo de métricas de rendimiento, hemos desarrollado una aplicación JMP interactiva y gráfica. Demostraremos esta aplicación con un caso práctico convincente.
