📚Further reading here.
Introducción a machine learning
Introducción a machine learning
Qué es machine learning y su historia
Framework de ciencia de datos: herramientas para machine learning
Tipos de modelos de machine learning
Reto: procesando un dataset
Algoritmos simples de machine learning
La “receta” para aplicar algoritmos de machine learning
Regresión lineal
Regresión logística
Árboles de decisión
Algoritmos de aprendizaje no supervisado
Reto: explora diferentes ejemplos de modelos y qué pueden hacer
Deep learning
Cómo funcionan las redes neuronales
Cómo mejorar las predicciones de redes neuronales
Cómo es el entrenamiento de las redes neuronales
Conclusiones
Cómo profundizar en machine learning y deep learning
Qué más aprender de inteligencia artificial
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
No se trata de lo que quieres comprar, sino de quién quieres ser. Aprovecha el precio especial.
Antes: $249
$209
Paga en 4 cuotas sin intereses
Termina en:
14 Días
0 Hrs
7 Min
51 Seg
Árboles de decisión
9/16Recursos
Aportes 7
Preguntas 0
Ordenar por:
To complement the max_feautures concept:
max_features is the number of features selected at random and without replacement at split. Suppose you have 10 independent columns or features, then max_features=5 will select at random and without replacement 5 features at every split.
From stackoverflow
este mismo tipo de clasificacion se puede hacer con una ANN, el problema es que las ANN son cajas negras que no nos dicen los criterios por los cuales se llega a un resultado. es qui donde los arboles de desicion vienen a abrir la casja y nos muestran cada criterio que se uso para llegar al resultado dado.
La función de coste se utiliza en algoritmos de optimización para minimizar el error entre las predicciones del modelo y los valores reales. Por ejemplo, en la regresión lineal, la función de coste utilizada es el error cuadrático medio (MSE), que calcula la diferencia cuadrada entre las predicciones del modelo y los valores reales. Sin embargo, los árboles de decisión no se optimizan directamente utilizando una función de coste.
<h5>Conozca los pros y los contras de usar árboles de decisión para realizar tareas de minería de datos y descubrimiento de conocimiento, con IBM.</h5>En cuanto a la regla de actualización, esta se utiliza en algoritmos de aprendizaje que iterativamente ajustan los parámetros del modelo para minimizar la función de coste. Por ejemplo, en la regresión logística, la regla de actualización utiliza el gradiente descendente para ajustar los pesos del modelo en cada iteración. Sin embargo, los árboles de decisión no siguen un proceso de actualización iterativo como esos algoritmos
No sabia que el uso de random forest se utiliza de este modo. Menos mal que ahora lo entiendo. Es momento de aplicarlo.
Random Forest using Sklearn’s DecisionTreeClassifier: here
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?