Sebastián Franco
Mario Alexander Vargas Celis
Ronald Andrey Beltran Parada
Piero Olivas
Layla Scheli
Ahora se usará el dataset de cars con el algoritmo de Random Forest
\# train car dataset with Random Forest from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier(n\_estimators=10, random\_state=42) rf.fit(X\_train, Y\_train) y\_pred\_train\_rf = rf.predict(X\_train) y\_pred\_test\_rf = rf.predict(X\_test)
Aquí tienes un ejemplo completo de entrenamiento de un modelo de clasificación de carros usando Random Forest en Python con scikit-learn, desde los datos hasta la predicción:
✅ Supongamos que tienes un dataset con las siguientes columnas:
marca, anio, cilindraje, tipo_combustible, precio_categoria (donde esta última es la variable objetivo: "alto", "medio", "bajo")📦 1. Importar librerías
import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.preprocessing import LabelEncoder from sklearn.metrics import classification_report, confusion_matrix
📄 2. Datos de ejemplo
# Datos simulados data = { 'marca': ['Toyota', 'Mazda', 'Renault', 'Chevrolet', 'Kia'], 'anio': [2015, 2018, 2020, 2017, 2016], 'cilindraje': [1.6, 2.0, 1.2, 1.4, 1.6], 'tipo_combustible': ['Gasolina', 'Gasolina', 'Gasolina', 'Diesel', 'Gasolina'], 'precio_categoria': ['medio', 'alto', 'bajo', 'medio', 'bajo'] } df = pd.DataFrame(data)
🧹 3. Preprocesamiento
# Codificación de variables categóricas le_marca = LabelEncoder() le_comb = LabelEncoder() le_target = LabelEncoder()
df['marca'] = le_marca.fit_transform(df['marca']) df['tipo_combustible'] = le_comb.fit_transform(df['tipo_combustible']) df['precio_categoria'] = le_target.fit_transform(df['precio_categoria']) # Etiquetas 0, 1, 2
✂️ 4. División en train/test
X = df.drop('precio_categoria', axis=1) y = df['precio_categoria']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
🌲 5. Entrenamiento del modelo Random Forest
model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train, y_train)
🧪 6. Evaluación del modelo
y_pred = model.predict(X_test)
print("Matriz de confusión:") print(confusion_matrix(y_test, y_pred)) print("\nReporte de clasificación:") print(classification_report(y_test, y_pred, target_names=le_target.classes_))
🧠 7. Predecir nuevos autos
nuevo_auto = pd.DataFrame({ 'marca': le_marca.transform(['Toyota']), 'anio': [2022], 'cilindraje': [1.8], 'tipo_combustible': le_comb.transform(['Gasolina']) })
pred = model.predict(nuevo_auto) print(f"Categoría de precio predicha: {le_target.inverse_transform(pred)[0]}")
Excelente profe
Excelente! 👩🏻💻
Gracias Piero :)