Entrenamiento de modelo de clasificación de carros con random forest
Curso de Decision Trees y Random Forest con Python y scikit-learn
Contenido del curso
Diego Mauricio Zuluaga Rodríguez
Diego Mauricio Zuluaga Rodríguez
Sebastián Franco
Mario Alexander Vargas Celis
Ronald Andrey Beltran Parada
Piero Olivas
Layla Scheli
Profesor¿Cuál es la mejor forma de ajustar hiperparámetros?
La mejor manera de encontrar la combinación perfecta de hiperparámetros es utilizando técnicas de búsqueda sistemática como GridSearchCV o RandomizedSearchCV. Con GridSearchCV, el algoritmo prueba exhaustivamente todas las combinaciones posibles de una lista de valores que definas, evaluándolas mediante validación cruzada. Si el espacio de búsqueda es muy grande, RandomizedSearchCV selecciona combinaciones al azar, encontrando un modelo casi óptimo en una fracción del tiempo para que puedas iterar más rápido.
¿Cómo evito el sobreajuste al clasificar carros?
El sobreajuste ocurre cuando el modelo memoriza los datos de entrenamiento en lugar de aprender patrones generales. En un Random Forest, puedes evitar esto controlando la profundidad de los árboles con el hiperparámetro max_depth para que no crezcan sin límite. Además, ajustar min_samples_split exige que un nodo tenga un mínimo de ejemplos antes de dividirse, obligando al modelo a buscar patrones respaldados por varios datos en lugar de casos aislados.
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 :)