Extraer Métricas: Precisión, Recall, Accuracy y F1

# Importamos las principales métricas para modelos de clasificación
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# Métricas Modelo Árbol
print(f'La precisión del modelo de árbol es: {precision_score(y_val_desafio,y_previsto_arbol_desafio)}')
print(f'La sensibilidad (recall) del modelo de árbol es: {recall_score(y_val_desafio,y_previsto_arbol_desafio)}')
print(f'La exactitud (accuracy) del modelo de árbol es: {accuracy_score(y_val_desafio,y_previsto_arbol_desafio)}')
print(f'El F1-Score del modelo de árbol es: {f1_score(y_val_desafio,y_previsto_arbol_desafio)}')
# Resultados:
# La precisión del modelo de árbol es: 0.65625
# La sensibilidad (recall) del modelo de árbol es: 0.6774193548387096
# La exactitud (accuracy) del modelo de árbol es: 0.776595744680851
# El F1-Score del modelo de árbol es: 0.6666666666666666

# Métricas Modelo Forest
print(f'La precisión del modelo forest es: {precision_score(y_val_desafio,y_previsto_forest_desafio)}')
print(f'La sensibilidad (recall) del modelo forest es: {recall_score(y_val_desafio,y_previsto_forest_desafio)}')
print(f'La exactitud (accuracy) del modelo forest es: {accuracy_score(y_val_desafio,y_previsto_forest_desafio)}')
print(f'El F1-Score del modelo forest es: {f1_score(y_val_desafio,y_previsto_forest_desafio)}')
# Resultados:
# La precisión del modelo forest es: 0.6
# La sensibilidad (recall) del modelo forest es: 0.2903225806451613
# La exactitud (accuracy) del modelo forest es: 0.7021276595744681
# El F1-Score del modelo forest es: 0.391304347826087

Curva ROC y Métrica AUC

# Importamos la herramienta para graficar la curva ROC
from sklearn.metrics import RocCurveDisplay
# Importamos la función para calcular el área bajo la curva ROC (AUC)
from sklearn.metrics import roc_auc_score

# Curva ROC Modelo Árbol
RocCurveDisplay.from_predictions(y_val_desafio,y_previsto_arbol_desafio, name='Árbol de Decisión');

# El Área Bajo la Curva (AUC) - Modelo Árbol
print(f'El área bajo la curva ROC del modelo de árbol es de: {roc_auc_score(y_val_desafio, y_previsto_arbol_desafio)}')
# El área bajo la curva ROC del modelo de árbol es de: 0.7514080901177674

# Curva ROC Modelo Forest
RocCurveDisplay.from_predictions(y_val_desafio,y_previsto_forest_desafio, name='Random Forest');

# El Área Bajo la Curva (AUC) - Modelo Forest
print(f'El área bajo la curva ROC del modelo forest es de: {roc_auc_score(y_val_desafio, y_previsto_forest_desafio)}')
# El área bajo la curva ROC del modelo forest es de: 0.5975422427035331

Curva de Precisión x Recall y Métrica AP (Average Precision)

# Importamos la clase que permite graficar la curva Precisión vs Recall
from sklearn.metrics import PrecisionRecallDisplay

# Curva de Precisión x Recall - Modelo Árbol
PrecisionRecallDisplay.from_predictions(y_val_desafio, y_previsto_arbol_desafio, name='Árbol de Decisión');

# Métrica AP - Modelo Árbol
print(f'El score promedio de precisión vs recall para el modelo de árbol es de: {average_precision_score(y_val_desafio, y_previsto_arbol_desafio)}')
# El score promedio de precisión vs recall para el modelo de árbol es de: 0.5509394303363074

# Curva de Precisión x Recall - Modelo Forest
PrecisionRecallDisplay.from_predictions(y_val_desafio, y_previsto_forest_desafio, name='Random Forest');

# Métrica AP - Modelo Forest
print(f'El score promedio de precisión vs recall para el modelo forest es de: {average_precision_score(y_val_desafio, y_previsto_forest_desafio)}')
# El score promedio de precisión vs recall para el modelo forest es de: 0.40823610157858614

Informe de Métricas