1. Learn
    2. /
  2. Courses
    3. /
  3. Aprendizaje supervisado con scikit-learn
  • 1

    Clasificación

    Free

    En este capítulo, se te presentarán los problemas de clasificación y aprenderás a resolverlos mediante técnicas de aprendizaje supervisado. Aprenderás a dividir los datos en conjuntos de entrenamiento y de prueba, ajustar un modelo, hacer predicciones y evaluar la precisión. Descubrirás la relación entre la complejidad del modelo y el rendimiento, aplicando lo que aprendas a un conjunto de datos de rotación, donde clasificarás el estado de rotación de los clientes de una empresa de telecomunicaciones.

  • 2

    Regresión

    En este capítulo, te introducirás en la regresión y construirás modelos para predecir los valores de las ventas utilizando un conjunto de datos sobre gastos publicitarios. Aprenderás la mecánica de la regresión lineal y las métricas de rendimiento más comunes, como R-cuadrado y error cuadrático medio. Realizarás la validación cruzada k-fold, y aplicarás la regularización a los modelos de regresión para reducir el riesgo de sobreajuste.

  • 3

    Afinar tu modelo

    Una vez entrenados los modelos, ahora aprenderás a evaluarlos. En este capítulo, se te presentarán varias métricas junto con una técnica de visualización para analizar el rendimiento de los modelos de clasificación mediante scikit-learn. También aprenderás a optimizar los modelos de clasificación y regresión mediante el uso del ajuste de hiperparámetros.

  • 4

    Preprocesamiento y canalizaciones

    Aprende a imputar valores perdidos, convertir datos categóricos en valores numéricos, escalar datos, evaluar simultáneamente múltiples modelos de aprendizaje supervisado y construir canalizaciones para agilizar tu flujo de trabajo.

Initializing

Exercise

Predecir en el conjunto de pruebas

En el último ejercicio, la regresión lineal y la cresta parecían producir resultados similares. Sería adecuado seleccionar cualquiera de esos modelos; sin embargo, puedes comprobar el rendimiento predictivo en el conjunto de pruebas para ver si alguno de ellos puede superar al otro.

Utilizarás el error cuadrático medio (RMSE) como métrica. Se te ha precargado el diccionario models, que contiene los nombres y las instancias de los dos modelos, junto con las matrices de entrenamiento y de destino X_train_scaled, X_test_scaled, y_train y y_test.

Instructions

100 XP
  • Importa mean_squared_error.
  • Ajusta el modelo a las características de entrenamiento escaladas y a las etiquetas de entrenamiento.
  • Haz predicciones utilizando las características de prueba escaladas.
  • Calcula RMSE pasando las etiquetas del conjunto de pruebas y las etiquetas predichas.