datascience-ufc / asd Goto Github PK

Não se pode usar correlação de pearson por que é uma correlação para variáveis contínuas. Seria possível utilizar teste de Chi² no entanto não podemos afirmar que as variáveis de comparação são gaussianas também, não há essa garantia. Precisamos de uma alternativa.

Polychoric Correlation

Refs:

• https://www.researchgate.net/post/Can_anyone_help_with_a_correlation_coefficient_between_two_binary_variables
• https://en.wikipedia.org/wiki/Polychoric_correlation

Através das 10 variáveis comportamentais é estimado se uma pessoa tem ou não autismo. Mas quais comportamentos que mais caracterizam o espectro autista? A proposta dessa atividade é fazer um feature importance das variáveis comportamentais após rodar um modelo de classificação binário.

O gráfico de distribuição de y sobre a quantidade de respostas positivas para os traços autistas está definida neste grafico.

Ponto de atenção sobre o cross_val_predict:

It is not appropriate to pass these predictions into an evaluation metric. Use cross_validate to measure generalization error.

É necessário como falei anteriormente ter as métricas individuais por modelo. Acredito que você está fazendo uma espécie de Data Leakage aqui passando todo o dataset de treinamento como teste. Como ele irá fazer N estimações ali pelos folds, para alguns modelos a amostra de teste terá sido observada no treinamento.

ref: https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_predict.html

Há alguns procedimentos que devem estar contidos no software e não em notebooks. Notebooks é apenas para análise e exploração, o resultado final deve estar contido na nossa biblioteca/software sendo desenvolvida! JUPYTER NOTEBOOKS NÃO SÃO FINS DE CONSTRUÇÃO DE SOFTWARE.

Não é um trocadilho. Eu acho que deverá ser renomeada para classification_report e além disso a ordem dos elementos estão aparentemente estranhas. É necessário uma revisão.

Por favor, esse gráfico tá ruim demais! Refaça as porcentagens que estão na legenda.