En este capítulo aprenderás lo básico para aplicar regresión logística y máquinas de vectores de soporte (SVM) a problemas de clasificación. Usarás la biblioteca <code>scikit-learn</code> para ajustar modelos de clasificación a datos reales.

Repaso de scikit-learn

Clasificación con KNN

Comparar modelos

Sobreajuste

Aplicar regresión logística y SVM

Ejecutar LogisticRegression y SVC

Análisis de sentimiento para reseñas de películas

Clasificadores lineales

¿Qué límite de decisión es lineal?

Visualizar fronteras de decisión

En este capítulo descubrirás el marco conceptual que hay detrás de la regresión logística y las SVM. Esto te permitirá profundizar en el funcionamiento interno de estos modelos.

Clasificadores lineales: los coeficientes

Cómo hacen predicciones los modelos

Cambiar los coeficientes del modelo

¿Qué es una función de pérdida?

La pérdida 0-1

Minimizar una función de pérdida

Diagramas de funciones de pérdida

Funciones de pérdida para clasificación

Comparar las pérdidas logística y hinge

Implementar regresión logística

Funciones de pérdida

En este capítulo profundizarás en los detalles de la regresión logística. Aprenderás todo sobre la regularización y cómo interpretar la salida del modelo.

Regresión logística y regularización

Regresión logística regularizada

Regresión logística y selección de características

Identificar las palabras más positivas y más negativas

Regresión logística y probabilidades

Obtener probabilidades de clase

Regularización y probabilidades

Visualizar ejemplos fáciles y difíciles

Regresión logística multiclase

Contando los coeficientes

Ajustar regresión logística multiclase

Visualizar la regresión logística multiclase

SVM one-vs-rest

Regresión logística

En este capítulo aprenderás en detalle las máquinas de vectores de soporte. Verás cómo ajustar hiperparámetros para estos modelos y usar kernels para ajustar fronteras de decisión no lineales.

Vectores de soporte

Definición de vector de soporte

Efecto de eliminar ejemplos

SVM con kernel

Calentamiento con GridSearchCV

Ajuste conjunto de gamma y C con GridSearchCV

Comparar la regresión logística y las SVM (y más allá)

Una ventaja de las SVM

Una ventaja de la regresión logística

Usar SGDClassifier

Conclusión

Máquinas de vectores de soporte

En este curso aprenderás a usar clasificadores lineales, en concreto regresión logística y máquinas de vectores de soporte (SVM), con scikit-learn. Una vez sepas cómo aplicar estos métodos, profundizarás en las ideas que hay detrás y verás qué es lo que realmente los hace funcionar. Al finalizar, sabrás entrenar, evaluar y ajustar estos clasificadores lineales en Python. Además, tendrás una base conceptual para entender muchos otros algoritmos de Machine Learning.

Supervised Learning with scikit-learn

En este curso aprenderás los detalles de clasificadores lineales como la regresión logística y SVM.

Clasificadores lineales en Python

En este curso aprenderás los detalles de los clasificadores lineales como la regresión logística y la SVM.

Científico especializado en machine learning en Python

Aprendizaje automático supervisado en Python

Instructor, The University of British Columbia

Comparar regresión logística y SVM

Pros y contras

Uso en scikit-learn

Uso en scikit-learn (cont.)

SGDClassifier

¡Vamos a practicar!

Máquinas de vectores de soporte - Comparar la regresión logística y las SVM (y más allá)

Comparar la regresión logística y las SVM (y más allá)

Create Your Free Account