[DATA SCIENCE] Guion de formación en matemáticas y R sobre matrices de confusión, diagramas de mosaico, análisis de componentes principales y diagramas ROC.

Guion de Formación en Matemáticas y R

Este guion está diseñado para aprender y consolidar conocimientos sobre matrices de confusión, diagramas de mosaico, análisis de componentes principales (PCA) y diagramas ROC utilizando la plataforma R.

1. Matrices de Confusión

Teoría Matemática:

• Definición: Una matriz de confusión evalúa el rendimiento de un modelo de clasificación. Consiste en una tabla que compara las predicciones del modelo con los valores reales.
• Componentes:
  • Verdaderos Positivos (TP)
  • Falsos Positivos (FP)
  • Verdaderos Negativos (TN)
  • Falsos Negativos (FN)
• Métricas derivadas:
  • Precisión: Precision = TP / (TP + FP)
  • Sensibilidad: Recall = TP / (TP + FN)
  • Especificidad: Specificity = TN / (TN + FP)
  • F1 Score: F1 = 2 * (Precision * Recall) / (Precision + Recall)

Práctica en R:

data(iris)
library(caret)
confusionMatrix(data = factor(c("setosa", "setosa", "versicolor")),
               reference = factor(c("setosa", "versicolor", "versicolor")))

Videos Recomendados:

• Introducción a las Matrices de Confusión (StatQuest)
• Tutorial de Matriz de Confusión en R (en español)

2. Diagramas de Mosaico

Teoría Matemática:

• Definición: Representan datos categóricos en forma de rectángulos proporcionales a las frecuencias de las combinaciones de categorías.

Práctica en R:

data(Titanic)
mosaicplot(Titanic, main = "Diagrama de mosaico")

Videos Recomendados:

• Diagramas de Mosaico con Ejemplos Prácticos
• Diagramas de Mosaico en R (en español)

3. Análisis de Componentes Principales (PCA)

Teoría Matemática:

• Objetivo: Reducir la dimensionalidad de un conjunto de datos conservando la mayor varianza posible.
• Cálculos principales:
  • Centrar y escalar los datos.
  • Calcular la matriz de covarianza y obtener autovalores/autovectores.
  • Proyectar los datos en el espacio de componentes principales.

Práctica en R:

data(mtcars)
pca <- prcomp(mtcars, scale = TRUE)
summary(pca)
plot(pca)

Videos Recomendados:

• PCA Explicado Matemáticamente (StatQuest)
• PCA en R (en español)

4. Diagramas ROC

Teoría Matemática:

• Definición: Evalúan la capacidad de un modelo de clasificación binaria para distinguir entre clases.
• Cálculos:
  • Tasa de Verdaderos Positivos (TPR): TPR = TP / (TP + FN)
  • Tasa de Falsos Positivos (FPR): FPR = FP / (FP + TN)

Práctica en R:

library(pROC)
data(aSAH)
roc_obj <- roc(aSAH$outcome, aSAH$s100b)
plot(roc_obj)

Videos Recomendados:

• ROC Curves y AUC (StatQuest)
• Diagramas ROC en R (en español)

Orden Sugerido de Aprendizaje

1. Matrices de Confusión
2. Diagramas ROC
3. Diagramas de Mosaico
4. PCA

Espero que este guion te sea útil para aprender y dominar estos conceptos en matemáticas y R. ¡No dudes en comentar si tienes dudas o necesitas más recursos!