La Permutation importance es una técnica utilizada en el aprendizaje automático para evaluar la importancia relativa de las características (features) en un modelo de predicción. La idea es medir el impacto de la eliminación o permutación aleatoria de una característica en el rendimiento del modelo. En general, cuanto mayor sea la disminución del rendimiento del modelo después de la eliminación o permutación de una característica, mayor será su importancia para el modelo.
La Permutation importance es útil porque ayuda a identificar las características que son más relevantes para un problema de predicción en particular, lo que puede guiar la selección de características y la optimización de modelos. Además, puede ser utilizada con diferentes algoritmos de aprendizaje automático, incluyendo árboles de decisión, modelos lineales y redes neuronales.
La Permutation importance puede ser computacionalmente costosa, ya que implica entrenar y evaluar el modelo varias veces. Sin embargo, existen implementaciones eficientes de la técnica disponibles en bibliotecas de aprendizaje automático como Scikit-learn en Python, lo que hace que sea fácil de usar para científicos de datos y analistas.
El término inteligencia artificial (IA) es pura actualidad, pero fue inventado en 1956 por John McCarthy, Marvin Minsky y Claude Shannon en la famosa [...]
Leer más »Muchas veces nos preguntamos qué ejemplos de IA nos podemos encontrar en nuestro entorno y es que, la inteligencia artificial es un concepto que engl [...]
Leer más »Las predicciones de GAMCO apuntan a un aumento de, al menos, un 10% en el porcentaje de la «morosidad en créditos» a particulares durante el próxi [...]
Leer más »Hace unos días pudimos asistir a un evento pionero en el mundo del Retail, la feria Retail Future 2022. En su quinta edición, y bajo el lema “Reta [...]
Leer más »
