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

Centrado y escalado para la regresión

Ahora que ya has visto las ventajas de escalar los datos, utilizarás una canalización para preprocesar las características de music_df y construir un modelo de regresión lasso para predecir el volumen de una canción.

X_train, X_test, y_train, y y_test se han creado a partir del conjunto de datos music_df, donde el objetivo es "loudness" y las características son todas las demás columnas del conjunto de datos. Lasso y Pipeline también se han importado para ti.

Observa que "genre" se ha convertido en una característica binaria en la que 1 indica una canción de rock, y 0 representa otros géneros.

Instrucciones

100 XP
  • Importa StandardScaler.
  • Crea los pasos para el objeto canalización, un objeto StandardScaler llamado "scaler", y un modelo de lazo llamado "lasso" con alpha ajustado a 0.5.
  • Instanciar una canalización con pasos para escalar y construir un modelo de regresión lasso.
  • Calcula el valor R-cuadrado de los datos de prueba.