11 – Análisis de importancia de características en LightGBM

Lección 11 del curso LightGBM.

En la lección anterior vimos cómo realizar el ajuste (o afinación) de hiper-parámetros de un modelo LightGBM.

Y en esta última lección del curso veremos cómo realizar el análisis de importancia de características de los modelos de clasificación y regresión que implementamos en las lecciones anteriores. Este análisis de importancia de características nos permitirá entender cuáles son las variables predictoras que tienen más impacto en las predicciones hechas por los modelos.

Así que comencemos viendo cómo realizar este análisis de importancia de características para el modelo de clasificación, que permite predecir si una persona entrará en mora en el pago de sus deudas con una entidad bancaria:

Como acabamos de ver, el análisis de importancia de características en LightGBM es muy simple:

1. Primer extraemos los valores de la importancia de características calculados por el LightGBM durante el entrenamiento del modelo, junto con los nombre de cada variable
2. Luego ponemos esta información en un DataFrame de Pandas y lo organizamos de manera descendente por nivel de importancia

Y lo anterior nos permitió identificar que en el caso de este modelo de clasificación las variables más relevantes son por ejemplo el tipo de empleo de la persona que adquiere el crédito junto con las evaluaciones suministradas por las entidades que estudian la capacidad de pago del cliente.

Así que, siguiendo la misma lógica anterior, veamos el análisis de importancia de características para el modelo de regresión usado para predecir el precio de un vehículo:

Como acabamos de ver, en este caso las variables más relevantes para la predicción son, entre otras, el número de palabras que contiene la descripción del vehículo, junto con su nivel de kilometraje y la región de Estados Unidos donde se puso en venta.

Así que con todo esto hemos llegado al final de este curso, ¡te felicito por haber llegado hasta este punto!

A lo largo de este curso hemos visto todos los detalles algorítmicos que hacen que LightGBM tenga tiempos de procesamiento menores en comparación con los modelos XGBoost y también hemos visto de forma práctica cómo implementar modelos de clasificación y de regresión usando precisamente la librería LightGBM de Python.

Así que con esto ya puedes comenzar a hacer uso de esta librería y de este tipo de modelos en tus proyectos de Machine Learning.

Espero que te haya gustado el curso y te invito a contactarme a través de la Intranet para que me compartas tus comentarios y sugerencias de nuevos cursos, tutoriales o proyectos que me permitan seguir mejorando el contenido de la Academia. Así que te envío un saludo y ¡nos vemos en el próximo curso!

Todas las lecciones del curso LightGBM