Mediante el parámetro C, podemos controlar la penalización por error en la clasificación. Si C tiene valores amplios entonces, se penaliza de forma más estricta los errores, mientras que si escogemos un C pequeño seremos menos estrictos con los errores.
En otras palabras, si C es pequeño aumenta el sesgo y disminuye la varianza del modelo.
Aprender los conceptos clave
Todo lo que aprenderás sobre MA con Scikit-Learn
¿Cómo aprenden las máquinas?
Problemas que podemos resolver con Scikit-learn
Las matemáticas que vamos a necesitar
Iniciar un proyecto con sklearn
Configuración de nuestro entorno Python
Instalación de librerías en Python
Datasets que usaremos en el curso
Optimización de features
¿Cómo afectan nuestros features a los modelos de Machine Learning?
Introducción al PCA
Preparación de datos para PCA e IPCA
Implementación del algoritmo PCA e IPCA
Kernels y KPCA
¿Qué es la regularización y cómo aplicarla?
Implementación de Lasso y Ridge
Explicación resultado de la implementación
ElasticNet: Una técnica intermedia
Regresiones robustas
El problema de los valores atípicos
Regresiones Robustas en Scikit-learn
Preparación de datos para la regresión robusta
Implementación regresión robusta
Métodos de ensamble aplicados a clasificación
¿Qué son los métodos de ensamble?
Preparación de datos para implementar métodos de ensamble
Implementación de Bagging
Implementación de Boosting
Clustering
Estrategias de Clustering
Implementación de Batch K-Means
Implementación de Mean-Shift
Optimización paramétrica
Validación de nuestro modelo usando Cross Validation
Implementación de K-Folds Cross Validation
Optimización paramétrica
Implementación de Randomized
Bonus: Auto Machine Learning
Salida a producción
Revisión de nuestra arquitectura de código
Importar y exportar modelos con Sklearn
Creación de una API con Flask para el modelo
Cierre del curso
Material adicional para consultar
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Iniciar sesiónPreparación de datos para la regresión robusta
19/37Recursos
Aportes 10
Preguntas 2
Ordenar por:
Creo que otra columna que debemos eliminar debería ser el RANK porque va a darle mucho peso a esa variable ya que es un orden numérico, no un valor o dato registrado.
No sé si me hice entender
me esta gustando el curso 😃, veamos que mas sigue
Para importar varios paquetes del mismo modulo no son necesarios los paréntesis, se puede importar como:
from sklearn.linear_model import RANSACRegressor, HuberRegressor
Otros ejemplos
dataset.head() de forma predeterminada nos muestra las 5 primeras filas, por ende, no es necesario ponerle el 5.
En mi opinión también deberíamos quitar el Rank de el modelo predictivo ya que en la realidad es poco probable que contemos con ese dato si es que queremos predecir el score de felicidad de un país y es redundante, el score dará como resultado el rank pero comparado con otros países, no debería ser parte del modelo.
que es un estimador???
Comparación de métodos robustos de regresión:
https://machinelearningmastery.com/robust-regression-for-machine-learning-in-python/
Creo que si debimos quitar la columna rank O_0
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.