Lección 9 del curso XGBoost.
En la lección anterior vimos cómo realizar el ajuste o afinación de hiper-parámetros de modelos XGBoost tanto de clasificación como de regresión.
En esta última lección del curso veremos cómo realizar el análisis de importancia de características de un modelo XGBoost, que permite cuantificar el impacto que cada variable predictora tendrá en las predicciones generadas por el modelo:
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.
Recordemos que los modelos XGBoost son modelos de Machine Learning no interpretables pero sí explicables. Y una herramienta que usada para explicar las decisiones tomadas por el modelo es precisamente este análisis de importancia de características.
En esencia este análisis de importancia calcula la ganancia promedio asociada a cada una de las características o variables predictoras y permite cuantificar precisamente el impacto de cada una de estas variables en la predicción generada por el modelo, tanto para el caso de la clasificación como de la regresión.
¡Así que con esto hemos llegado al final de este curso: te felicito por haber llegado hasta este punto!
Como siempre, te invito a contactarme a través de la Intranet para que me compartas tus comentarios sobre este curso así como tus sugerencias para seguir mejorando el contenido de la Academia.
Y desde luego te invito a continuar con tu formación tomando el siguiente curso en esta especialización: LightGBM. ¡Un saludo!
Todas las lecciones del curso XGBoost