Url del dataset:
https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database
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,
Tu primer random forest con scikit-learn
14/23Recursos
Aportes 7
Preguntas 0
Ordenar por:
Me gusta está clase, hasta el momento se han trabajado 3 data sets de manera fluida, es una buena carga pedagógica 😄
Para cargar el dataset:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
url = 'https://5tm9.short.gy/pima-diabetes-data'
df_diabetes = pd.read_csv(url)
df_diabetes.head()
estos datasets que encontramos gratuitos son muy interesantes para aprender y practicar, sin embargo, son datasets que ya están muy manipulados, en la vida real los datasets suelen ser mucho mas complejos, me he encontrado con que el preprocesamiento de los datos es mucho mas complejo y demandante que la misma clasificación y análisis.
Para cargar el dataset pueden usar:
```python
df_diabetes = pd.read_csv('https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv',header=None)
df_diabetes.columns = ['Pregnancies', 'Glucose', 'BloodPressure (mm Hg)', 'SkinThickness (mm)', 'Insulin (mu U/ml)', 'BMI (kg/m^2)', 'DiabetesPedigreeFunction', 'Age (years)', 'Outcome']
df_diabetes.head()
```
Excelente! 👩🏻💻
Para cargar el dataset pueden usar: ```python
df_diabetes = pd.read_csv('https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv',header=None)
df_diabetes.columns = ['Pregnancies', 'Glucose', 'BloodPressure (mm Hg)', 'SkinThickness (mm)', 'Insulin (mu U/ml)', 'BMI (kg/m^2)', 'DiabetesPedigreeFunction', 'Age (years)', 'Outcome']
df_diabetes.head()
```
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?