Conociendo problema a resolver y dataset de clasificación
Curso de Decision Trees y Random Forest con Python y scikit-learn
Contenido del curso
Rodrigo Flores
Joaquín Ricardo Svoboda Abregú
Julián Cárdenas
Nixon Rolando García Ramírez
Jeinfferson Bernal G
Juan R. Vergara M.
Diego Mauricio Zuluaga Rodríguez
Sebastián Franco
Mario Alexander Vargas Celis
Julián Cárdenas
Leandro Tenjo
Giancarlo
Layla Scheli
Profesor
Daiana Davidson
Hernán Pizarro
Antonio Demarco Bonino
Leo Díaz
Layla Scheli
Profesor
Paolo Joaquin Pinto Perez
Soy el primero aquí hahahha se siente bien raro ayuda
fuerza XD
jajajaja me ha pasado =D
Por si algo, recuerden que no es necesario descargar el csv, pueden usar el link de manera directa entrando a https://archive.ics.uci.edu/ml/datasets/car+evaluation, hay dentro encontraran la informacion original de data set.
df_car = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/car/car.data', header=None) columns_names = ['price','maint','doors','persons','lug_boot','safety','Class'] df_car.columns = columns_names```
hola.. Como haces para encontrar el enlace exacto hacia los datos? Entro en la pagina principal y no encuentro el enlace asi tal cual como lo indicas 😅
Este curso cada vez se pone mejor 🔥
¿Cuál es la mejor forma de explorar datos?
El mejor enfoque es combinar estadística descriptiva básica con visualizaciones estratégicas. Comienza usando métodos como .info() y .describe() en Pandas para entender los tipos de datos, escalas y detectar valores atípicos. Luego, crea gráficos de barras para ver la distribución de tu variable objetivo y mapas de calor para analizar la correlación entre variables. Esta exploración te dará la hoja de ruta exacta para la limpieza de datos.
El proyecto del curso estará basado en el Car Evaluation dataset, puede ser encontrado en
Las variables del dataset son:
Ahora se carga el dataset en un dataframe
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns dataset\_path = "car\_evaluation.csv" df\_car = pd.read\_csv(dataset\_path, header=None)
Para resolver un problema de clasificación con machine learning, como identificar el tipo de automóvil (por ejemplo: fósil, eléctrico o híbrido), necesitas tener claro dos cosas fundamentales:
✅ 1. Conocer el problema a resolver
Esto implica entender:
✅ 2. Conocer y preparar el dataset
Esto incluye:
a. Variable objetivo (target)
Es la que vamos a predecir, en este caso:
'y_tipo' → ['fósil', 'eléctrico', 'híbrido']
Esta variable debe ser convertida a valores numéricos, por ejemplo usando LabelEncoder:
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder() df['tipo_auto'] = le.fit_transform(df['tipo_auto'])
Esto puede traducir:
b. Variables predictoras (features)
Estas son las columnas que usará el modelo para aprender. Por ejemplo:
X = df[['peso', 'potencia', 'consumo', 'emisiones']] y = df['tipo_auto'] # variable objetivo codificada
✅ 3. División del dataset
Siempre se divide el dataset en datos de entrenamiento y prueba:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
✅ 4. Entrenamiento del modelo
Por ejemplo, con un árbol de decisión:
from sklearn.tree import DecisionTreeClassifier
modelo = DecisionTreeClassifier() modelo.fit(X_train, y_train)
✅ 5. Evaluación
Evaluamos qué tan bien predice:
from sklearn.metrics import accuracy_score
y_pred = modelo.predict(X_test) print("Precisión:", accuracy_score(y_test, y_pred))
Cómo se determina la variable target, qué lógica usan para decir acá esta es esa variable que se va a trabajar
Es la respuesta al problema que estas intentando resolver.
Lo ideal es recoger datos que nos puedan dar soluciones y no ajustar los datos una variable sin sentido. … pero
🗒️ En el contexto de un ejercicio practico:
El dataset que uses suele decirte cual es el target del ejercicio o tu mismo puedes ver que podrías usar de target, eligiendo una variable que dependa de otra dentro del dataset.
Tengo que seleccionar uno o mas proveedores, de acuerdo a su rendimiento y otros factores, ¿es recomendable usar árbol de decisión? y si fuera el caso ¿clasificación o regresión?
Hola Giancarlo, entiendo que queres hacer una clasificacion de los proveedores :) tmb claro ,podes usar un arbol de decision o algun algoritmo mas complejo por supuesto! comentame, gracias!
Que pocos somos en los aportes, me da intriga saber cuanto gente llego a terminar el programa de data science jajjaja
Somos contemporáneos tomando el curso, jajaj
También pensaba cuantos son los que hicieron el curso.
Por el volumen de datos del dataset y por las características del mismo parece que este proyecto va a estar más que divertido:
es necesario hacer un balaceo Delos datos de la variable class? para realizar un entrenamiento bien distribuido???
Hola Leo, lo podrias hacer perfectamente para mejorar la performance de tu modelo :)
Cuando la tabla queda sin header
