Nuri DS - Guía de Métricas para Ciencia de Datos

Imagina esto por un segundo:

• Estás en una entrevista y te preguntan por qué elegiste RMSE en lugar de MAE… y no sabes qué responder.
• Tu modelo arroja 92 % de precisión, te felicitan… pero en tu interior sabes que está mal.
• Una decisión crítica falla porque usaste mal la métrica… y nunca lo viste venir.

Este e-book no solo te enseña métricas.

Este e-book te blinda.

INDICE

1. Introducción: Métricas de Evaluación en Ciencia de Datos
2. Por qué los modelos se clasifican y por qué no todo funciona con todo
3. Mapa general de métricas según tipo de modelo
4. Mean Absolute Error (MAE)
5. Mean Squared Error (MSE)
6. Root Mean Squared Error (RMSE)
7. Mean Absolute Percentage Error (MAPE)
8. Symmetric Mean Absolute Percentage Error (SMAPE)
9. R2 Score (Coeficiente de determinación)
10. Adjusted R2 Score
11. Explained Variance Score
12. Max Error
13. Accuracy Score
14. Precision Score
15. Recall Score
16. F1 Score
17. Specificity (Especificidad)
18. Balanced Accuracy
19. Matthews Correlation Coefficient (MCC)
20. Cohen’s Kappa Score
21. Jaccard Score
22. Hamming Loss
23. Zero-One Loss
24. ROC Curve
25. AUC (Área bajo la curva ROC)
26. Precision-Recall Curve
27. Average Precision Score
28. Log Loss (Cross Entropy Loss)
29. Brier Score
30. Silhouette Score
31. Davies–Bouldin Index
32. Calinski–Harabasz Index
33. Dunn Index
34. Adjusted Rand Index (ARI)
35. Normalized Mutual Information (NMI)
36. Homogeneity Score
37. Completeness Score
38. V-measure Score
39. Reconstruction Error
40. Explained Variance Ratio (PCA)
41. Conclusión: Dominando el Arte de la Evaluación en Ciencia de Datos