1. Learn
    2. /
  2. Courses
    3. /
  3. Machine learning con modelos basados en árboles en Python
  • 1

    Árboles de clasificación y regresión

    Free

    Los Árboles de clasificación y regresión (CART) son un conjunto de modelos de aprendizaje supervisado que se utilizan para problemas de clasificación y regresión. En este capítulo, conocerás el algoritmo CART.

  • 2

    El equilibrio entre sesgo y varianza

    El equilibrio entre sesgo y varianza es uno de los conceptos fundamentales del machine learning supervisado. En este capítulo, comprenderás cómo diagnosticar los problemas de sobreajuste e infraajuste. También conocerás el concepto de ensamblaje, que consiste en agregar las predicciones de varios modelos para obtener predicciones más sólidas.

  • 3

    Bagging y bosques aleatorios

    El bagging es un método de ensamblaje que consiste en entrenar el mismo algoritmo muchas veces utilizando diferentes subconjuntos muestreados de los datos de entrenamiento. En este capítulo, comprenderás cómo puede utilizarse el bagging para crear un conjunto de árboles. También aprenderás cómo el algoritmo de los bosques aleatorios puede conducir a una mayor diversidad del conjunto mediante la aleatorización a nivel de cada división en los árboles que forman el conjunto.

  • 4

    Potenciación

    El refuerzo se refiere a un método conjunto en el que se entrenan varios modelos secuencialmente y cada modelo aprende de los errores de sus predecesores. En este capítulo, conocerás los dos métodos de refuerzo: AdaBoost y Gradient Boosting (potenciación del gradiente).

  • 5

    Ajuste del modelo

    Los hiperparámetros de un modelo de machine learning son parámetros que no se aprenden a partir de los datos. Deben fijarse antes de ajustar el modelo al conjunto de entrenamiento. En este capítulo, aprenderás a ajustar los hiperparámetros de un modelo basado en árboles utilizando la validación cruzada de búsqueda en cuadrícula.

Initializing

Exercise

Prepara el terreno

En los siguientes ejercicios, compararás la precisión de OOB con la precisión del conjunto de pruebas de un clasificador bagging entrenado en el conjunto de datos Paciente hepático indio.

En sklearn, puedes evaluar la precisión OOB de un clasificador conjunto ajustando el parámetro oob_score a True durante la instanciación. Una vez entrenado el clasificador, se puede obtener la precisión OOB accediendo al atributo .oob_score_ de la instancia correspondiente.

En tu entorno, hemos puesto a tu disposición la clase DecisionTreeClassifier de sklearn.tree.

Instructions

100 XP

  • Importa BaggingClassifier desde sklearn.ensemble.

  • Instancia un DecisionTreeClassifier con min_samples_leaf fijado en 8.

  • Instancia un BaggingClassifier formado por 50 árboles y establecer oob_score en True.