1. Aprende
    2. /
  2. Cursos
    3. /
  3. Machine learning con modelos basados en árboles en Python
  • 1

    Árboles de clasificación y regresión

    Gratuito

    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

Ejercicio

Evalúa el error de CV a 10

En este ejercicio, evaluarás el error cuadrático medio de CV a 10 (RMSE) conseguido por el árbol de regresión dt que instanciaste en el ejercicio anterior.

Además de dt, los datos de entrenamiento que incluyen X_train y y_train están disponibles en tu espacio de trabajo. También importamos cross_val_score de sklearn.model_selection.

Ten en cuenta que, como cross_val_score solo tiene la opción de evaluar los MSEs negativos, su salida debe multiplicarse por uno negativo para obtener los MSEs. El CV RMSE puede obtenerse calculando la raíz cuadrada de la media MSE.

Instrucciones

100 XP

  • Calcula el MSE con validación cruzada a 10 del dt ajustando el argumento scoring a 'neg_mean_squared_error'.

  • Calcula RMSE a partir de las puntuaciones obtenidas en MSE.