Una forma m谩s sencilla de cargar los datos al DataFrame ser铆a:
x = pd.DataFrame(iris.data, columns=iris.feature_names)
Fundamentos pr谩cticos
Aplica Platzidoro en este curso y asegura el 茅xito de tu aprendizaje
Los fundamentos de machine learning que aprender谩s
Introducci贸n a Numpy
Introducci贸n y manipulaci贸n de datos con Pandas
Introducci贸n a ScikitLearn
Comandos b谩sicos de las librer铆as usadas en el curso (Numpy, Pandas y ScikitLearn)
Regresi贸n Lineal y Log铆stica
驴Qu茅 es la predicci贸n de datos?
Sobreajuste y subajuste en los datos
Regresi贸n lineal simple y regresi贸n lineal m煤ltiple
Regresi贸n lineal simple con Scikit-Learn: divisi贸n de los datos
Regresi贸n lineal simple con Scikit-Learn: creaci贸n del modelo
Regresi贸n log铆stica con Scikit-Learn: definici贸n y divisi贸n de datos
Regresi贸n log铆stica con Scikit-Learn: evaluaci贸n del modelo
Matriz de confusi贸n
PlatziDoro C谩psula 1
脕rboles de decisi贸n
驴Qu茅 es un 谩rbol de decisi贸n y c贸mo se divide?
Comprendiendo nuestro data set para la creaci贸n de un 谩rbol de decisi贸n
Creando un clasificador con Scikit-Learn
Entrenamiento del modelo de clasificaci贸n
Visualizaci贸n del 谩rbol de decisi贸n
K-Means
驴Qu茅 es K-Means?
Cargando el data set de Iris
Construcci贸n y evaluaci贸n del modelo con K-Means
Graficaci贸n del modelo
PlatziDoro C谩psula 2
Aprendizaje profundo
Introducci贸n al aprendizaje profundo
Conceptos b谩sicos de Tensor Flow
Red neuronal convolucional
Conociendo el set de datos para la creaci贸n de la red neuronal
Crea y entrena tu primera red neuronal convolucional con Tensor Flow
Evaluaci贸n de la red convolucional
PlatziDoro C谩psula 3
Despedida
Recomendaciones para analizar correctamente tu problema
Siguientes pasos para continuar aprendendiendo de Machine Learning
No tienes acceso a esta clase
隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera
Cargando el data set de Iris
22/34Recursos
Aportes 14
Preguntas 2
Ordenar por:
Aqui estan el codigo para el que guste lo pueda usar a su voluntad.
from sklearn.cluster import KMeans
from sklearn import datasets
import pandas as pd
import matplotlib.pyplot as plt
iris = datasets.load_iris()
X_iris = iris.data
Y_iris = iris.target
x = pd.DataFrame(iris.data, columns = ['Sepal Lenght', 'Sepal Width', 'Petal Length', 'Petal Width'])
y = pd.DataFrame(iris.target, columns = ['Target'])
x.head(5)
Sepal Lenght Sepal Width Petal Length Petal Width
0 5.1 3.5 1.4 0.2
1 4.9 3.0 1.4 0.2
2 4.7 3.2 1.3 0.2
3 4.6 3.1 1.5 0.2
4 5.0 3.6 1.4 0.2
plt.scatter(x['Petal Length'], x['Petal Width'], c = 'blue')
plt.xlabel('Petal Length', fontsize = 10)
plt.ylabel('Petal Width', fontsize = 10)
Text(0, 0.5, 'Petal Width')
No habria necesidad de escribir las columnas, ya viene en el set de datos, bastaria con hacer: columns= iris.feature_names
Ac谩 dejo los dos grupos: P茅talos y S茅palos
plt.scatter(x['Petal Length'], x['Petal Width'], c='blue')
plt.scatter(x['Sepal Length'], x['Sepal Width'], c='red')
plt.xlabel('Petal - Sepal Length', fontsize=10)
plt.ylabel('Petal - Sepal Width', fontsize=10)
plt.show()
Ejemplo de aplicaci贸n:
-
Dataset iris: Presenta los datos de flores: virginica, versicolor y setosa (50 muestras de cada especie), estos datos son: largo y ancho del petalo y del s茅palo.
-
Para ello importamos el m贸dulo KMeans desde sklearn.cluster (
from sklearn.cluster import KMeans) -
Para cargar los datos de iris importamos el m贸dulo datasets (
from sklearn import datasets), luego cargamos el dataset a una variable (<var>=datasets.load_iris())
Ese data set es muy simple, seria interesante usar un mejor ejemplo para demostrar las funcionalidades del kmeans
Esta es la manera en la que yo cargue el Dataset a un DataFrame
import pandas as pd
from sklearn import datasets
iris = datasets.load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target
target_dict = { index : name for index, name in enumerate(iris.target_names) }
df['target name'] = df['target'].apply(lambda x: target_dict[x])
jajajajjajajaj es el que esta en la introducion de este curso
Para obtener una muestra aleatorio de 5 datos de dataframe:
x.sample(n=5)
El agrupamiento (clustering) es una t茅cnica de Machine Learning que consiste, en pocas palabras, en dividir cierta poblaci贸n en grupos con la consecuencia de que los datos en un grupo sean m谩s similares entre ellos que comparado con los otros grupos.
iris = datasets.load_iris()
x = pd.DataFrame(iris.data, columns=['Sepal Length', 'Sepal Width', 'Petal Length', 'Petal Width'])
y = pd.DataFrame(iris.target, columns=['Target'])```
En un ejemplo aplicado a un proceso de compra venta, dependiendo del objetivo solo cambiaria el data set?
Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Reg铆strate o inicia sesi贸n para participar.