⚡ One-vs-Rest, One-vs-One y softmax desde cero
Antes de los algoritmos multiclase por naturaleza, Alma enseña al equipo a construir un clasificador de cinco clases a partir de clasificadores binarios, y el equipo plantea sus puntos débiles: el desbalanceo de 'Nivel 1 frente al resto', la ambigüedad cuando ningún clasificador está seguro y los empates en la votación. Este notebook construye One-vs-Rest, One-vs-One y la regresión softmax desde cero con los pacientes del triaje y los compara.
El notebook interactivo incluye:
- La regresión logística binaria como pieza básica.
- One-vs-Rest: cinco clasificadores, y por qué el nivel del medio queda aplastado.
- La ambigüedad de One-vs-Rest: puntuaciones que no suman 1.
- One-vs-One: diez clasificadores, una votación y la regla del libro para los empates.
- La regresión softmax con la entropía cruzada categórica, comprobada con scikit-learn.
- Las tres estrategias una junto a otra: parámetros, exactitud, sensibilidad por nivel y matrices de confusión.
- Un paciente en la frontera y la respuesta de cada estrategia.
¿Quieres modificar el código y experimentar por tu cuenta?
Abre el notebook en Google Colab
Bibliografía
- Rifkin, R. y Klautau, A. (2004). In defense of one-vs-all classification. Journal of Machine Learning Research, 5, 101–141. https://www.jmlr.org/papers/v5/rifkin04a.html 🇬🇧 (en inglés)
- Hastie, T. y Tibshirani, R. (1998). Classification by pairwise coupling. The Annals of Statistics, 26(2), 451–471. https://doi.org/10.1214/aos/1028144844 🇬🇧 (en inglés)
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. Sección 4.3.4, regresión logística multiclase. https://www.microsoft.com/en-us/research/publication/pattern-recognition-machine-learning/ 🇬🇧 (en inglés)