Deploying to gh-pages from @ 9f73a01 🚀

08-clasificacion-1.html

@@ -2614,13 +2614,13 @@ <h2 data-number="8.8" class="anchored" data-anchor-id="ejercicio-datos-de-diabet
 [1,]  0.34734303
 [2,]  1.01705003
 [3,] -0.05472932
-[4,] -0.02247145
-[5,]  0.51263183
-[6,]  0.55927497
+[4,] -0.02247143
+[5,]  0.51263177
+[6,]  0.55927491
 [7,]  0.45200703
 
 [[2]]
-[1] -0.9558302</code></pre>
+[1] -0.9558301</code></pre>
 </div>
 </div>
 <p>que coinciden con los valores que obtuvimos usando regresión logística de <em>glm</em>. La única diferencia es que el algoritmo de optimización que se usa en cada caso es diferente: con <em>keras</em> utilizamos descenso en gradiente, mientras que <em>glm</em> usa Newton-Raphson.</p>

09-clasificacion-2.html

@@ -722,7 +722,7 @@ <h4 class="unnumbered anchored" data-anchor-id="ejemplo-2">Ejemplo</h4>
    .threshold specificity sensitivity
         &lt;dbl&gt;       &lt;dbl&gt;       &lt;dbl&gt;
  1 -Inf           0                 1
- 2    0.00304     0                 1
+ 2    0.00305     0                 1
  3    0.00345     0.00448           1
  4    0.00406     0.00897           1
  5    0.00437     0.0135            1
@@ -812,7 +812,7 @@ <h4 class="unnumbered anchored" data-anchor-id="ejemplo-2">Ejemplo</h4>
   modelo     .metric .estimator .estimate
   &lt;chr&gt;      &lt;chr&gt;   &lt;chr&gt;          &lt;dbl&gt;
 1 IMC y edad roc_auc binary         0.761
-2 Todas      roc_auc binary         0.865</code></pre>
+2 Todas      roc_auc binary         0.866</code></pre>
 </div>
 </div>
 <p>En este ejemplo, vemos que casi no importa qué perfil de especificidad y sensibilidad busquemos: el clasificador que usa todas las variables domina casi siempre al clasificador que sólo utiliza IMC y edad.</p>