Clase 3 de 23 • Curso de Decision Trees y Random Forest con Python y scikit-learn
Contenido del curso
FELIX DAVID CORDOVA GARCIA
Layla Scheli
Alvaro Isaías Acuña
Antonio Demarco Bonino
Leandro Tenjo
Layla Scheli
Arazani Balcazar Martínez
Layla Scheli
Nestor Ramirez
Layla Scheli
Julián Cárdenas
Rodrigo Consuelos
Iván Roberto Rivas Celeita
Layla Scheli
Angelo Augusto Gallici Aquino
Miguel Angel Herrera Chavez
David Duque Uribe
Miguel Augusto Gutierrez Ochoa
Nestor Ramirez
Jorge Fernando De Los Rios De Los Rios
Sebastián Franco
Juan Acevedo
Mario Alexander Vargas Celis
Diego Andrés Rojas Pinzón
Layla Scheli
Diego Andrés Rojas Pinzón
Layla Scheli
Ximena Ruiz de la peña Capitaine
Layla Scheli
Oscar David Bocanegra Capeara
Isaac Bryan Ascanoa Roncall
Layla Scheli
Una forma más rapida de hacerlo es con lambda
Excelente Felix, las funciones lambda son muy utiles :)
igual puede ser así: titanic['Sex'] = titanic['Sex'].apply(lambda x:1 if x=='male' else 0)
Yo lo resolví en una sola línea de código:
data['Sex'] = data['Sex'].map({'male': 1, 'female': 0})
Me dio este resultado
¿No es más descriptivo dejar la variables con nombre Sex_male?
…
De esa forma sabemos inmediatamente a que se refiere el 1 y 0 sin hacer suposiciones o depender de la documentación
Hola Leandro, si podria hacerse tmb :) depende de lo que a vos te parezca mas claro! pero si tmb aplicaria. Un saludo!
Un análisis exploratorio de datos (EDA) implica el uso de gráficos o visualizaciones para explorar y analizar un conjunto de datos donde el objetivo es explorar, investigar y aprender mediante clasificaciones en subgrupos que hacen el análisis mas sencillo.
Un numpy.dtypes describe cómo deben interpretarse los bytes en el bloque de memoria de tamaño fijo correspondiente a un elemento de matriz.
Mientras un .head() devuelve una serie de valores seleccionados desde el principio .
Gracias Arazani, por tu aportacion :)
No me atribuyo la idea porque no se me ocurrio a mi, pero por aprendi que con los nombres podrias extraer los apellidos y de repente poder clasificar si al pertenecer a cierta familia tu probabilidad de sobrevivir, que tu creatividad sea tu limite, siempre veras que hay muchas maneras de resolverlo
Gracias Nestor por tu aporte! :) muy interesante! continua avanzando :)
Ve super interesante ese dato!!
También se puede hacer:
df = pd.get_dummies(df,columns=["Sex"],drop_first=True).astype(int
Siempre lo mejor queda de último: usar jupyter-notebook
Gracias por tus palabras Ivan :)
No es el objetivo analizar el Fare pero si esta bueno conocer que existen 15 valores que son = 0 .
# Filtra las filas donde 'Fare' es igual a cerovalores_cero = df_copy[df_copy['Fare'] == 0]
# Imprime la cantidad de valores y la información de 'Pclass'
print("Cantidad de valores igual a cero en 'Fare':", len(valores_cero),"\n")
print("Información de 'Pclass' para esos valores:\n")
print(valores_cero[['Pclass', 'Fare']])
Cantidad de valores igual a cero en 'Fare': 15
Información de 'Pclass' para esos valores:
Pclass Fare 178 3 0.0 261 1 0.0 269 3 0.0 275 2 0.0 300 3 0.0 411 2 0.0 463 2 0.0 478 2 0.0 594 3 0.0 630 1 0.0 671 2 0.0 728 2 0.0 802 1 0.0 811 1 0.0 818 1 0.0
Si les sale error en el gráfico, puede deberse a que hay que decirle a barplot cuál es el eje X y cuál es el eje Y del gráfico, quedando de esta manera el código:
#Verificamos el feature importances import seaborn as sns importances = tree.feature_importances_ columns = X.columns sns.barplot(x=columns,y=importances, palette = 'bright', saturation = 2.0, edgecolor = 'black', linewidth = 2) plt.title('Importancia de cada Feature') plt.show()
¿Para este problema de predecir la supervivencia también podría trabajarse con una regresión logísticas?
Si David, los arboles de decision y regresion logistica se pueden usar para clasificación
O K-neihgbords, Random Forest que puede ser mejor que Decission Trees que puede llegar a tener sobreajuste. Lo mas importante es que sepas que tipo de problema quieres reselvor y cuando evalues los modelos los resultados que tienes y cual resuelve mejor tu problema.
Mas alla de un buen o mal modelo depende lo que buscas resolver.
Cómo ha estado?
Tengo una inquietud, ¿por qué razón antes de cambiar los tipos de datos no se entro a revisar la calidad de estos? por ejemplo, ver si hay datos faltantes.
Las columnas del dataset son:
Ahora se hará un poco de limpieza en el dataset
\# Show original dataset titanic.head(10) \# Remove columns cols\_to\_drop = \["Name", "Fare"] titanic.drop(cols\_to\_drop, axis="columns", inplace=True) \# Rename columns titanic.columns = \["Survived", "Pclass", "Sex", "Age", "SibSp", "ParCh"] titanic.head() titanic.shape \# (887, 6) titanic.dtypes \# Survived int64 \# Pclass int64 \# Sex object \# Age float64 \# SibSp int64 \# ParCh int64 \# dtype: object \# Convert to categorical type titanic = pd.get\_dummies(titanic, columns=\["Sex"], drop\_first=True) \# Rename Column titanic.rename(columns = {"Sex\_male" : "Sex"}, inplace=True) \# Reorder columns titanic = titanic\[\["Survived", "Pclass", "Sex", "Age", "SibSp", "ParCh"]]
Si alguien tiene curiosidad del pd.get_dummies, esto lo que hace es crear una columna por cada categoría (un one hot encoding), en este caso, al ser male y female, crea 2, una con 1 cuándo hay male, y otra con 1 cuándo hay female; esto es redundante, al hacer drop_first se asegura que sólo se sostendrá una. Este es un buen truco para variables binarias, para categóricas habría que usar pd.Categorical
Les dejo como yo hice el mapeo de la categórica
Aquí tienes un análisis básico de los datos antes de construir tu primer árbol de decisión. Usaremos el dataset Iris como ejemplo, que es ideal para comenzar porque:
🔍 1. Cargar y entender los datos
from sklearn.datasets import load_iris import pandas as pd
iris = load_iris() X = pd.DataFrame(iris.data, columns=iris.feature_names) y = pd.Series(iris.target, name='species')
X['species'] = y X.head()
Salida esperada (primeras filas):
sepal length (cm)sepal width (cm)petal length (cm)petal width (cm)species5.13.51.40.204.93.01.40.20...............
species: 0 = Setosa, 1 = Versicolor, 2 = Virginica📊 2. Estadísticas descriptivas
X.describe()
Esto te dará un resumen de los valores mínimos, máximos, medias, etc. Sirve para:
📈 3. Distribución de clases
import matplotlib.pyplot as plt import seaborn as sns
sns.countplot(x='species', data=X) plt.title('Distribución de clases') plt.xticks([0, 1, 2], iris.target_names) plt.show()
🔗 4. Correlaciones
sns.heatmap(X.drop('species', axis=1).corr(), annot=True, cmap='coolwarm') plt.title('Matriz de correlación') plt.show()
Esto ayuda a ver qué características están más relacionadas entre sí.
🧠 5. Observaciones clave
Y la otra pregunta seria: En el escenario del sexo donde se usa el one hot encoding o el get_dummies, afecta a mi modelo si uso en vez de el replace: df['Sex'].replace(to_replace='Male', value=1, inplace=True) df['Sex'].replace(to_replace='Female', value=0, inplace=True)
Hola Diego, no deberia, dado que simplemente es otra tecnica de llegar al mismo resultado! :)
Una pregunta que llevo desde el curso anterior, No deberia cambiar el Age de Float64 a un int64 ya que la edad es un entero, no ? es decir yo no tengo 22.44 años, yo tengo 22 años, esto afecta mucho el modelo, si hago ese cambio o es mejor dejar la edad en float. 5:30 esta los tipos de datos del DataSet
Hola Diego a fines practicos, no afecta. Pero si se podria hacer perfectamente :)
¿Por qué el cambio de tipo de datos con "get_ dummies" realiza el cambio de nombre en la variable Sex?
Hola, eso es algo opcional, podes hacerlo o no. Realmente no hay demasiado tema con eso :)
Esto se debe a que lso modelos de machine learning solo pueden trabajar con datos numéricos, y get_dummies lo que hace es transformar variables categóricas en un formato numérico que los algoritmos pueden entender y procesar.
Interesante este desarrollo del proyecto. Si que estoy aprendiendo algo.
Excelente, me alegro :)