⚡ Bosque aleatorio para el triaje de urgencias

En el capítulo 4, el equipo de Minermont quiere un sistema que sugiera el nivel de urgencia de cada paciente de urgencias, del 1 (rojo) al 5 (azul), siempre como apoyo a la enfermera de triaje. Este notebook estudia el bosque aleatorio, el modelo que el equipo elige finalmente, y lo compara con los demás algoritmos del capítulo.

El notebook interactivo incluye:

• Muestras bootstrap y un bosque construido a mano, que vota con la moda.
• La exactitud out-of-bag (OOB) y el efecto del número de árboles y de las características por nodo.
• La estabilidad: los bosques entrenados con casi los mismos datos coinciden; los árboles sueltos, no.
• Evaluación multiclase: precisión, recall y F1 por clase, empezando por el ejemplo de 3 niveles del libro.
• Importancia de las características por impureza y por permutación.
• Los niveles críticos: pesos de las clases y un umbral de decisión prudente para el nivel 1, elegido con las probabilidades OOB.
• Comparación con KNN, el árbol de decisión, la regresión logística One-vs-Rest y la SVM One-vs-One.

¿Quieres modificar el código y experimentar por tu cuenta?
Abre el notebook en Google Colab

Bibliografía

• Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. El artículo original: bagging, características aleatorias, estimaciones OOB e importancia de las variables. https://doi.org/10.1023/A:1010933404324 🇬🇧 (en inglés)
• Guía de scikit-learn – Bosques aleatorios: RandomForestClassifier, max_features y los demás parámetros. https://scikit-learn.org/stable/modules/ensemble.html#random-forests-and-other-randomized-tree-ensembles 🇬🇧 (en inglés)
• Guía de scikit-learn – Importancia por permutación: cómo funciona y por qué es más fiable que la importancia por impureza. https://scikit-learn.org/stable/modules/permutation_importance.html 🇬🇧 (en inglés)
• Ejemplo de scikit-learn – Errores OOB en bosques aleatorios: cómo cambia el error OOB con el número de árboles. https://scikit-learn.org/stable/auto_examples/ensemble/plot_ensemble_oob.html 🇬🇧 (en inglés)
• Guía de scikit-learn – Estrategias multiclase: OneVsRestClassifier y OneVsOneClassifier. https://scikit-learn.org/stable/modules/multiclass.html 🇬🇧 (en inglés)