Curso libreInteligencia artificial y datos
Modelos de clasificación
El curso Modelos de clasificación proporciona al estudiante los métodos para construir y evaluar modelos que asignan categorías, como regresión logística, k vecinos y máquinas de soporte vectorial, con métricas adecuadas a datos desbalanceados. Le sirve para detectar fraude, abandono de clientes o riesgo, eligiendo el umbral de decisión según los costos del negocio.
A quién va dirigido
Personas con Python básico y conocimientos de regresión o estadística descriptiva.
Objetivos
✓Comprender la regresión logística, k vecinos más cercanos, las máquinas de soporte vectorial y sus fronteras de decisión.
✓Analizar el desempeño con matriz de confusión, precisión, exhaustividad, F1, curvas ROC y calibración de probabilidades.
✓Aplicar submuestreo, sobremuestreo, SMOTE, pesos por clase y validación estratificada a datos desbalanceados.
✓Diseñar un modelo de predicción de abandono de clientes con un umbral seleccionado según costos de negocio.
✓Evaluar el impacto en el negocio de un clasificador e interpretarlo con importancia de variables.
Plan de estudios por sesión
1
Clasificadores básicosRegresión logística y función sigmoide; k vecinos más cercanos · Máquinas de soporte vectorial y fronteras de decisión
2
Métricas de clasificaciónMatriz de confusión, precisión, exhaustividad y F1 · Curvas ROC y precisión-exhaustividad y calibración de probabilidades
3
Datos desbalanceadosSubmuestreo, sobremuestreo, SMOTE y pesos por clase · Ajuste del umbral por costo y validación estratificada
4
Presentación del proyecto final: predicción de abandono de clientesComparación de modelos e interpretación con importancia de variables · Comunicación del impacto en el negocio
Evaluación
Inicial30%Entrenamiento de clasificadores con regresión logística, k vecinos y SVM en scikit-learn con visualización de fronteras.
Intermedio30%Taller de métricas y tratamiento de clases desbalanceadas con SMOTE, pesos por clase y ajuste de umbral.
Final40%Proyecto final: modelo de abandono de clientes con análisis de métricas y umbral seleccionado según costos, con sustentación.
Proyecto final
Modelo de predicción de abandono de clientes con análisis de métricas y umbral seleccionado según costos.