Fundamentos prácticos

1

Aplica Platzidoro en este curso y asegura el éxito de tu aprendizaje

2

Los fundamentos de machine learning que aprenderás

3

Introducción a Numpy

4

Introducción y manipulación de datos con Pandas

5

Introducción a ScikitLearn

6

Comandos básicos de las librerías usadas en el curso (Numpy, Pandas y ScikitLearn)

Regresión Lineal y Logística

7

¿Qué es la predicción de datos?

8

Sobreajuste y subajuste en los datos

9

Regresión lineal simple y regresión lineal múltiple

10

Regresión lineal simple con Scikit-Learn: división de los datos

11

Regresión lineal simple con Scikit-Learn: creación del modelo

12

Regresión logística con Scikit-Learn: definición y división de datos

13

Regresión logística con Scikit-Learn: evaluación del modelo

14

Matriz de confusión

15

PlatziDoro Cápsula 1

Árboles de decisión

16

¿Qué es un árbol de decisión y cómo se divide?

17

Comprendiendo nuestro data set para la creación de un árbol de decisión

18

Creando un clasificador con Scikit-Learn

19

Entrenamiento del modelo de clasificación

20

Visualización del árbol de decisión

K-Means

21

¿Qué es K-Means?

22

Cargando el data set de Iris

23

Construcción y evaluación del modelo con K-Means

24

Graficación del modelo

25

PlatziDoro Cápsula 2

Aprendizaje profundo

26

Introducción al aprendizaje profundo

27

Conceptos básicos de Tensor Flow

28

Red neuronal convolucional

29

Conociendo el set de datos para la creación de la red neuronal

30

Crea y entrena tu primera red neuronal convolucional con Tensor Flow

31

Evaluación de la red convolucional

32

PlatziDoro Cápsula 3

Despedida

33

Recomendaciones para analizar correctamente tu problema

34

Siguientes pasos para continuar aprendendiendo de Machine Learning

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

¿Qué es un árbol de decisión y cómo se divide?

16/34
Recursos

Aportes 24

Preguntas 4

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.

Árboles de decisión:

**Ventajas: **

  • Claridad en los datos
  • Tolerantes al ruido y datos faltantes
  • Las reglas extraídas permiten hacer extracciones
    Desventajas:
  • Criterio de división es deficiente
  • Sobreajuste-overfitting
  • Ramas poco significativas
    Optimización del modelo:
  • Evitar sobreajuste
  • Selección efectiva de los atributos
  • Campos nulos

Árboles de decisión
Forma gráfica y analítica de representar sucesos y posibilidades

  • Ventajas
    • Claridad de datos → Podemos ver claramente los caminos tomados
    • Tolerantes al ruido y valores faltantes → Aunque no es recomendable podemos hacer nuestro análisis con ruido (con cierto éxito)
    • Permite hacer predicciones a través de las reglas extraídas
  • Desventajas
    • El criterio de división puede llegar a ser deficiente
    • Se puede llegar a un sobreajuste
    • Pueden aparecer ramas poco significativas
  • Criterios de División de un árbol de decisión:
    • Ganancia de información
    • Crear pequeños árboles
  • Optimización de nuestro modelo:
    • Evitar el sobreajuste
    • Selección de atributos → Seleccionar sólo los atributos relevantes para nuestro modelo
    • Campos nulos → Es mejor evitar los campos nulos

El videojuego Detroid become human de PS4 se basa en estos árboles de decisión pues, las decisiones que se toman en el juego trazan la ruta de desenlaces y finales posibles en la historia

Para conocer más sobre los Arboles de decisión - Clasificación les recomiendo ir a este enlace.

¿Qué es un árbol de decisión y cómo se divide?

Es una forma gráfica y analítica que presenta sucesos y sus posibles consecuencias

Es una manera de dividir todos los sucesos y por último obtener una decisión

Es un grafo con forma de arbol que en cada una de sus ramas tiene una decisión

Ejemplo:
Una tienda en base a los datos que recolecta del comportamiento de un cliente puede descifrar que producto tiene la intención de comprar

Ventajas

  • Claridad en los datos
    Se sabe que hace en base a los caminos

  • Tolerante al ruido y valores faltantes

  • Las reglas extraídas permiten hacer predicciones

Desventajas

  • Criterio de division es deficiente
  • Sobreajuste
  • Ramas poco significativas
    Puedes llegar a tener ramas que su peso en la decisión en muy bajo

Como se divide un arbol de decisión

En base a los ejemplos y las características que llevaron a una decision se crea la relación entre los datos que lleva a una decision

Optimización de nuestro modelo

  • Evitar sobreajuste
    Ocasionara que el modelo no se adapte a la vida real
  • Selección de atributos
    Identificar cuáles son los atributos relevantes a la hora de tomar la decisión
  • Campos nulos
    El tener campos nulos hara que se genere mucho ruido en los datos ocasionando deficiencia en el modelo

Luego entonces
¿Hay modelos que se aplican a casos específicos, es decir arbol de decisiòn solo cuando tenga ciertos datos y requiera cierta predicciòn o decisiòn?

saludos cordiales

intenté hacer un arbol de decisión sobre crimen en CDMX, donde se determine qué categoría de crimen se comete a partir de distintos atributos, pero no me salió bien. Lo optimizaré en futuras clases:

Árbol de decisión es una forma gráfica de dividir sucesos y sus consecuencias

Creo que en nuestras vidas siempre pensamos como los árboles de decisión.

Un ejemplo real aplicando este modelo (desde hace mucho asumo) es este juego https://en.akinator.com/

Para conocer más sobre los Arboles de decisión - Regresión les recomiendo ir a este enlace.


ME ENCNATOOO

el nodo padre es la pregunta que se hace luego de ello se empieza a preguntar y busca un camino llegando a un resultado D

¿Que es un arbol de decisión?
Un concepto avanzado de machine learning …

Ventajas

Definición de árbol de decisión

Genial

Hay alguna implementación en el lenguaje C de árbol de decisión?

de manera MUY SIMPLE se puede resumir como una serie de preguntas lógicas del tipo si entonces , para determinar cual es la decisión o clasificación adecuada al conjunto de variables.

Optimización

División de un árbol de decisión

Desventajas