Lección 11 del curso Matplotlib para Ciencia de Datos y Machine Learning.
En la lección anterior vimos como generar gráficos de línea y de dispersión en Matplotlib, así como la manera de personalizarlos usando muy pocas líneas de código.
Sin embargo, muchas veces cuando desarrollamos un proyecto de Ciencia de Datos o Machine Learning, los datos que procesamos pueden tener algunas de estas características:
- Provienen de una medición obtenida a partir de un sensor (por ejemplo de temperatura o de presión) y puede haber discrepancias con el valor exacto que se quiere medir
- La variable medida no es constante y en su lugar se encuentra dentro de un cierto rango de valores (por ejemplo la temperatura durante un mes en particular o el rango de valores dentro de los cuales oscila una acción en la bolsa)
- La predicción generada por un modelo de regresión de Machine Learning no es exacta (en comparación con los valores de referencia) y los errores pueden estar dentro de cierto rango de valores.
En estos casos resulta útil generar una gráfica que permita visualizar esta variabilidad o incertidumbre en los datos que estamos procesando o prediciendo. Para este tipo de situaciones se sugiere usar precisamente un gráfico de error, que es precisamente el tema de esta lección.
En particular veremos cómo usar las funciones «errorbar» y «fill_between» de Matplotlib para generar diferentes tipos de gráficos de error, dependiendo de si nuestros datos son continuos o discretos o de si tenemos “muchos” o “pocos” datos por visualizar:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Bien, acabamos de ver a través de dos ejemplos prácticos en qué situaciones usar las funciones «errorbar» y «fill_between» para generar gráficos de error.
Adicionalmente, estos ejemplos prácticos nos permitieron visualizar el comportamiento de las variables de interés de cada ejemplo junto con sus rangos de incertidumbre y sus intervalos de confianza.
En la próxima lección hablaremos de los gráficos de histograma, otro tipo de gráfica muy útil en Ciencia de Datos y Machine Learning y que nos permite visualizar la distribución de los datos que estemos procesando.
Todas las lecciones del curso Matplotlib para Ciencia de Datos y Machine Learning