col_names=[“buying”,“maint”,“doors”,“persons”,“lug_boot”,“safety”,“class”]
Introducción a árboles de decisión
¿Qué son los árboles de decisión?
Tu primer árbol de decisión con scikit-learn
Análisis de datos para tu primer árbol de decisión
Entrenamiento y evaluación de árbol de decisión con scikit-learn
¿Cómo funcionan los árboles de decisión?
¿Cuándo usar árboles de decisión?
Quiz: Introducción a árboles de decisión
Proyecto práctico: árboles de decisión
Conociendo problema a resolver y dataset de clasificación
Análisis exploratorio de datos para árbol de decisión
Procesamiento de datos para el entrenamiento de árbol de decisión
Entrenamiento de modelo de clasificación con árbol de decisión
¿Cómo evaluar un modelo de árbol de decisión?
Evaluación de resultados del modelo de árbol de decisión
Quiz: Proyecto práctico: árboles de decisión
Introducción a random forest
¿Qué son los random forest o bosques aleatorios?
Tu primer random forest con scikit-learn
Análisis de datos para tu primer random forest
Entrenamiento de tu primer modelo de random forest con scikit-learn
Evaluación de tu primer modelo de random forest con scikit-learn
¿Cómo funcionan los random forest?
¿Cuándo utilizar random forest?
Quiz: Introducción a random forest
Proyecto práctico: random forest
Entrenamiento de modelo de clasificación de carros con random forest
Evaluación de resultados del modelo de clasificación con random forest
Quiz: Proyecto práctico: random forest
Conclusión
Proyecto final y cierre
Comparte tu proyecto de Random Forest y obtén tu certificado
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:
13 Días
17 Hrs
28 Min
14 Seg
Análisis exploratorio de datos para árbol de decisión
8/23Recursos
Aportes 10
Preguntas 1
Ordenar por:
si os pide abrir una cuenta y no queréis, podéis llamar directamente a la url para obtener el dataset:
pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/car/car.data', header=None)
Por si acaso les pone problema con las comillas dobles, se los paso con comillas simples.
col_names=['buying','maint','doors','persons','lug_boot','safety','class']
df_car.columns = col_names
Y el nombre de nuestro objeto es df\_car.... No se podía otro mejor :D
Sería necesario convertir a entero los valores de "doors" y "persons"?
Originalmente son de tipo "object".
Like por más cursos como este 👍
df_car.columns = [‘buying’, ‘main’, ‘doors’, ‘persons’, ‘lug_boot’, ‘safety’, ‘class’]
Cambie '*persons*' por '*people*', pero únicamente por snob. Están bien las dos. **Persons** se usa cuando se sabe el número de personas que hay y **people** cuando el número es incierto:
```js
columns_headers = ['Buying_price', 'Maint', 'Num_doors', 'Num_persons', 'Lug_boot', 'Safety', 'Decision']
car_df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/car/car.data', names=columns_headers)
car_df.head(5)
```
El código:
#Visualizamos los tipos de datos
df_car.dtypes
**
Exploremos un poco mas la variable target
df_car [‘class’].value_counts()
**
#Verificamos valores missings
df_car.isnull().sum()
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?