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

Regresión con características categóricas

Ahora que has creado music_dummies, que contiene características binarias para el género de cada canción, es hora de construir un modelo de regresión de cresta para predecir la popularidad de las canciones.

music_dummies ha sido precargado para ti, junto con Ridge, cross_val_score, numpy como np, y un objeto KFold almacenado como kf.

El modelo se evaluará calculando la media RMSE, pero antes tendrás que convertir las puntuaciones de cada pliegue en valores positivos y sacar su raíz cuadrada. Esta métrica muestra el error medio de las predicciones de nuestro modelo, por lo que puede compararse con la desviación típica del valor objetivo-"popularity".

Instructions

100 XP
  • Crea X, que contiene todas las características de music_dummies, y y, que consiste en la columna "popularity", respectivamente.
  • Instanciar un modelo de regresión de cresta, estableciendo alpha igual a 0,2.
  • Realiza una validación cruzada en X y y utilizando el modelo de cresta, estableciendo cv igual a kf, y utilizando el error cuadrático medio negativo como métrica de puntuación.
  • Imprime los valores de RMSE convirtiendo los valores negativos de scores en positivos y sacando la raíz cuadrada.