Proyecto final y cierre

Muy buen curso ya que es practico y sienta las bases para que cada quien pueda profundizar según su criterio, además de la organización del material ya que se dispone del código ordenado que desafortunadamente en cursos anteriores no se tenia.

Otra cosa que me parece falta son las consideraciones a tener si yo despliego el modelo

las observaciones nuevas como se le pasan al modelo, en esa etapa el category_encoders como va a mapear mi nueva observación …

que pasa si se pone una categoria que el DF de train no conocía ?

test resulttadoos
Resumen
1.
¿A qué tipo de algoritmos de machine learning pertenecen los árboles de decisión?

Aprendizaje supervisado

Los modelos de árboles de decisión aprenden de los datos generando reglas de tipo:

if-else

¿Podríamos utilizar un árbol de decisión para determinar si jugar o NO una partida de tenis? Considerando diversas variables como el clima, el viento, la humedad, entre otros factores a fines.

Sí, sería de utilidad para llegar a una decisión final.

¿Para qué tipos de problemas se pueden utilizar los árboles de decisión en machine learning?

Clasificación y regresión

¿Qué método de scikit-learn se utiliza para crear un modelo de árbol de decisión enfocado en clasificación?

DecisionTreeClassifier

En un árbol de decisión, los nodos terminales son nodos:

Sin hijos.
7.
Si buscamos aplicar un algoritmo de machine learning que brinde “resultados fáciles de interpretar y de entender”, podemos hacer uso de:

Árboles de decisión

¿Para qué tipos de problemas sirve una matriz de confusión al evaluar el performance del modelo de machine learning utilizado?

Clasificación
9.
“Predije que era negativo, pero resultó positivo”. ¿A qué interpretación de la matriz de confusión hacemos referencia?

Falso negativo (FN)

“Predije que era falso y lo era”. ¿A qué interpretación de la matriz de confusión hacemos referencia?

Verdadero negativo (TN)

Al evaluar un modelo de árbol de decisión, los verdaderos positivos como negativos son _______:

Aciertos
12.
Al evaluar un modelo de árbol de decisión, los falsos negativos como positivos son _________:

Errores
13.
La métrica de evaluación de un modelo de ML conocida como ___________, en la práctica, es el % total de elementos clasificados correctamente.

Exactitud
14.
¿A qué tipo de método corresponden los bosques aleatorios o random forests?

Ensamble
15.
Los bosques aleatorios o random forests se obtienen de combinar:

Multiples árboles de decisión
16.
¿En qué tipos de problemas de machine learning se pueden usar los algoritmos de random forests?

Clasificación y regresión

Si tengo un conjunto de datos con muchos outliers, ¿es recomendable entrenar un modelo de machine learning usando árboles de decisión?

No es recomendable. Ya que se ven fuertemente influenciados por outliers y además tienden al overfitting.

¿Cuál sería una solución para evitar el overfitting al usar árboles de decisión en machine learning?

Aplicar métodos de ensamble convirtiéndolo en bosques aleatorios o random forests.

Suponiendo que se tiene un conjunto de datos muy grande y el modelo se verá expuesto continuamente a nuevas muestras de datos, ¿sería más recomendable entrenar un modelo basado en árboles de decisión o en random forests?

Random forests, ya que funcionan mejor con datasets grandes y son estables a nuevas muestras.

Ver menos

excelente curso muy bien explicado

Excelente curso. La profe toma su tiempo necesario para las explicaciones y luego pasa a la práctica debidamente.