1. Aprende
    2. /
  2. Cursos
    3. /
  3. Aprendizaje supervisado con scikit-learn
  • 1

    Clasificación

    Gratuito

    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

Ejercicio

Eliminar los datos que faltan

En los próximos tres ejercicios, vas a ordenar el conjunto de datos music_df. Crearás una canalización para imputar valores perdidos y construir un modelo clasificador KNN, y luego lo utilizarás para predecir si una canción es del género "Rock".

En este ejercicio en concreto, eliminarás los valores perdidos que representen menos del 5 % del conjunto de datos, y convertirás la columna "genre" en una característica binaria.

Instrucciones 1/3

undefined XP
    1
    2
    3
  • Imprime el número de valores perdidos de cada columna del conjunto de datos music_df, ordenados de forma ascendente.