Ctrl Enter para ejecutar jeje
Excelente las explicaciones y el orden y comentarios de los notebook. 10/10
Ctrl Enter para ejecutar jeje
Excelente las explicaciones y el orden y comentarios de los notebook. 10/10
Me encanta la metodología y la forma de explicar de la profe Layla, like para más cursos con ella.
Qúe hace -n_estimators-
n_estimators es un hiperparámetro que se utiliza en algoritmos de conjunto de árboles, como Random Forests y Gradient Boosting, en el contexto de aprendizaje automático. Este hiperparámetro controla el número de árboles que se deben construir en el conjunto. Cada árbol se entrena en un subconjunto aleatorio de los datos de entrenamiento y luego contribuye a las predicciones del conjunto.
La elección adecuada del valor de n_estimators es importante, ya que puede influir en el rendimiento del modelo. Aquí hay algunas consideraciones clave:
Menos árboles: Usar un valor pequeño de n_estimators puede llevar a un conjunto subóptimo de árboles que no capturan bien la estructura subyacente de los datos. El modelo puede tener un alto sesgo y un bajo rendimiento en el conjunto de datos de prueba.
Más árboles: Aumentar el valor de n_estimators generalmente mejora la capacidad del modelo para generalizar y puede reducir el sobreajuste. Sin embargo, agregar demasiados árboles puede aumentar el costo computacional del entrenamiento y la inferencia, sin una mejora significativa en el rendimiento.
Equilibrio: El valor óptimo de n_estimators generalmente se encuentra a través de la validación cruzada. Los practicantes de aprendizaje automático prueban diferentes valores de n_estimators y eligen el que da como resultado el mejor rendimiento en un conjunto de datos de validación o prueba.
En resumen, n_estimators es un hiperparámetro que controla la cantidad de árboles en un conjunto de árboles y debe ajustarse cuidadosamente para optimizar el rendimiento del modelo. La elección del valor adecuado depende del problema específico y debe determinarse mediante experimentación y validación cruzada.
Es importante tener en cuenta que el dataset con el que estamos trabajando contiene valores nulos implícitos en columnas "bmi", "plasma", "blood pressure", "test"(quizás en también en otras pero no hay forma de comprobarlo, dado que por ejemplo en pregnancies tiene sentido que exista un 0, aunque dada la estructura del dataset también podrían haber 0's que sean nan's)
si reemplazamos los 0's por nan's obtenemos el siguiente conteo:

en cuanto a la proporción de nulos dado el universo del dataset obtenemos las siguientes proporciones:

al hacer una matriz de correlación, notamos que estas variables tienen poco peso respecto a si el sujeto tendría o no diabetes en los próximos 5 años.
Lo cuál no tendría sentido porque el significaría que tanto el test como la skin thikness son poco significativas para el análisis. Sin embargo esto se explica por la influencia de los nulos
A raíz del análisis, mi hipótesis es que la presencia de nulos en skin thikness se explica por la presencia de nulos en el test. Es decir, quienes no se hicieron el test, tampoco se han hecho la medición de skin thickness.
Por lo que si entrenamos los datos con nulos podríamos (~48.6%en la columna test) podríamos obtener resultados inválidos
Feliz de seguir aprendiendo.
<u>El parámetro </u>n_estimators en RandomForestClassifier indica la cantidad de árboles de decisión que se utilizarán en el bosque. Cada árbol se ajusta de manera independiente a diferentes subconjuntos de datos y luego sus predicciones se combinan para obtener una predicción final.
En tu código:
pythonCopy coderandom_forest = RandomForestClassifier(n_estimators=10, random_state=00000)
n_estimators=10: Esto significa que se crearán 10 árboles de decisión en el bosque.random_state=00000: Esto establece la semilla del generador de números aleatorios para asegurar que los resultados sean reproducibles. La elección específica de 00000 es una convención para indicar que la semilla es 0.Entonces, random_forest es un objeto RandomForestClassifier que ha sido configurado para utilizar 10 árboles y una semilla específica para la aleatoriedad. Puedes entrenar este modelo en tus datos llamando al método fit y luego usarlo para hacer predicciones.
¿Qué pasa si no escalo los datos?
A diferencia de otros algoritmos como Regresión Logística o Redes Neuronales, los Random Forest son completamente inmunes a la escala de los datos. Esto sucede porque el algoritmo toma decisiones basadas en reglas de corte simples (por ejemplo, '¿el ingreso es mayor a 50,000?') en lugar de calcular distancias matemáticas entre los puntos. Por lo tanto, no necesitas aplicar herramientas como StandardScaler o MinMaxScaler antes de entrenar tu modelo, lo que te ahorra un paso completo en el preprocesamiento.
¿Cómo evito el sobreajuste en este modelo?
Aunque los bosques aleatorios son resistentes al sobreajuste, aún pueden memorizar ruido si los árboles crecen sin control. En scikit-learn, puedes evitar esto ajustando hiperparámetros clave. El más importante es max_depth, que limita la profundidad máxima de cada árbol. También puedes usar min_samples_split para exigir un número mínimo de datos antes de dividir un nodo. Ajustar estos valores actúa como una poda preventiva, obligando al modelo a aprender patrones generales en lugar de detalles irrelevantes.
¿Cómo elijo la cantidad de árboles?
En scikit-learn, el parámetro n_estimators define cuántos árboles formarán tu bosque. Por defecto son 100, lo cual es un excelente punto de partida. Imagina que estás pidiendo consejo: consultar a 10 personas es mejor que a 1, pero consultar a 10,000 podría no darte una respuesta mucho mejor y solo te hará perder tiempo. Aumentar este número generalmente mejora el rendimiento, pero incrementa el costo computacional. Lo ideal es probar con valores como 100, 300 o 500 y observar dónde el modelo deja de mejorar significativamente.
Ahora se crearán los features y el target y se spliteará el dataset en train y split, finalmente se usará el Random Forest Classifier y se entrenará y harán predicciones
\# create X and y
X = df\_diabetes.drop("9. Class variable (0 or 1)", axis=1)
y = df\_diabetes\["9. Class variable (0 or 1)"]
\# split dataset
from sklearn.model\_selection import train\_test\_split
X\_train, X\_test, y\_train, y\_test = train\_test\_split(X, y, test\_size=0.3, random\_state=42)
\# Use random forest model
from sklearn.ensemble import RandomForestClassifier
random\_forest = RandomForestClassifier(
n\_estimators=10,
random\_state=42
)
random\_forest.fit(X\_train, y\_train)
y\_train\_pred\_random\_forest = random\_forest.predict(X\_train)
y\_test\_pred\_random\_forest = random\_forest.predict(X\_test)
Juan Manuel Núñez B.
Layla Scheli
ProfesorJuan R. Vergara M.
Layla Scheli
ProfesorJulián Cárdenas
Mauricio Escobar
Layla Scheli
ProfesorMauricio Escobar
Antonio Demarco Bonino
Juan José Mamani Tarqui
Layla Scheli
ProfesorDiego Mauricio Zuluaga Rodríguez
Diego Mauricio Zuluaga Rodríguez
Diego Mauricio Zuluaga Rodríguez
Sebastián Franco
Mario Alexander Vargas Celis
Paolo Joaquin Pinto Perez
Ctrl Enter para ejecutar jeje
Excelente las explicaciones y el orden y comentarios de los notebook. 10/10
Gracias Juan, por tus comentarios :) Un saludo!
Me encanta la metodología y la forma de explicar de la profe Layla, like para más cursos con ella.
Gracias Juan! :) pronto tendremos mas! Un abrazo!
Qúe hace -n_estimators-
n_estimators es un hiperparámetro que se utiliza en algoritmos de conjunto de árboles, como Random Forests y Gradient Boosting, en el contexto de aprendizaje automático. Este hiperparámetro controla el número de árboles que se deben construir en el conjunto. Cada árbol se entrena en un subconjunto aleatorio de los datos de entrenamiento y luego contribuye a las predicciones del conjunto.
La elección adecuada del valor de n_estimators es importante, ya que puede influir en el rendimiento del modelo. Aquí hay algunas consideraciones clave:
Menos árboles: Usar un valor pequeño de n_estimators puede llevar a un conjunto subóptimo de árboles que no capturan bien la estructura subyacente de los datos. El modelo puede tener un alto sesgo y un bajo rendimiento en el conjunto de datos de prueba.
Más árboles: Aumentar el valor de n_estimators generalmente mejora la capacidad del modelo para generalizar y puede reducir el sobreajuste. Sin embargo, agregar demasiados árboles puede aumentar el costo computacional del entrenamiento y la inferencia, sin una mejora significativa en el rendimiento.
Equilibrio: El valor óptimo de n_estimators generalmente se encuentra a través de la validación cruzada. Los practicantes de aprendizaje automático prueban diferentes valores de n_estimators y eligen el que da como resultado el mejor rendimiento en un conjunto de datos de validación o prueba.
En resumen, n_estimators es un hiperparámetro que controla la cantidad de árboles en un conjunto de árboles y debe ajustarse cuidadosamente para optimizar el rendimiento del modelo. La elección del valor adecuado depende del problema específico y debe determinarse mediante experimentación y validación cruzada.
Es importante tener en cuenta que el dataset con el que estamos trabajando contiene valores nulos implícitos en columnas "bmi", "plasma", "blood pressure", "test"(quizás en también en otras pero no hay forma de comprobarlo, dado que por ejemplo en pregnancies tiene sentido que exista un 0, aunque dada la estructura del dataset también podrían haber 0's que sean nan's)
si reemplazamos los 0's por nan's obtenemos el siguiente conteo:
en cuanto a la proporción de nulos dado el universo del dataset obtenemos las siguientes proporciones:
al hacer una matriz de correlación, notamos que estas variables tienen poco peso respecto a si el sujeto tendría o no diabetes en los próximos 5 años.
Lo cuál no tendría sentido porque el significaría que tanto el test como la skin thikness son poco significativas para el análisis. Sin embargo esto se explica por la influencia de los nulos
A raíz del análisis, mi hipótesis es que la presencia de nulos en skin thikness se explica por la presencia de nulos en el test. Es decir, quienes no se hicieron el test, tampoco se han hecho la medición de skin thickness.
Por lo que si entrenamos los datos con nulos podríamos (~48.6%en la columna test) podríamos obtener resultados inválidos
Gracias por tu aclaracion genial :)
Gracias a ti profe :D
Feliz de seguir aprendiendo.
<u>El parámetro </u>n_estimators en RandomForestClassifier indica la cantidad de árboles de decisión que se utilizarán en el bosque. Cada árbol se ajusta de manera independiente a diferentes subconjuntos de datos y luego sus predicciones se combinan para obtener una predicción final.
En tu código:
pythonCopy coderandom_forest = RandomForestClassifier(n_estimators=10, random_state=00000)
n_estimators=10: Esto significa que se crearán 10 árboles de decisión en el bosque.random_state=00000: Esto establece la semilla del generador de números aleatorios para asegurar que los resultados sean reproducibles. La elección específica de 00000 es una convención para indicar que la semilla es 0.Entonces, random_forest es un objeto RandomForestClassifier que ha sido configurado para utilizar 10 árboles y una semilla específica para la aleatoriedad. Puedes entrenar este modelo en tus datos llamando al método fit y luego usarlo para hacer predicciones.
Gracias por la info :)
¿Qué pasa si no escalo los datos?
A diferencia de otros algoritmos como Regresión Logística o Redes Neuronales, los Random Forest son completamente inmunes a la escala de los datos. Esto sucede porque el algoritmo toma decisiones basadas en reglas de corte simples (por ejemplo, '¿el ingreso es mayor a 50,000?') en lugar de calcular distancias matemáticas entre los puntos. Por lo tanto, no necesitas aplicar herramientas como StandardScaler o MinMaxScaler antes de entrenar tu modelo, lo que te ahorra un paso completo en el preprocesamiento.
¿Cómo evito el sobreajuste en este modelo?
Aunque los bosques aleatorios son resistentes al sobreajuste, aún pueden memorizar ruido si los árboles crecen sin control. En scikit-learn, puedes evitar esto ajustando hiperparámetros clave. El más importante es max_depth, que limita la profundidad máxima de cada árbol. También puedes usar min_samples_split para exigir un número mínimo de datos antes de dividir un nodo. Ajustar estos valores actúa como una poda preventiva, obligando al modelo a aprender patrones generales en lugar de detalles irrelevantes.
¿Cómo elijo la cantidad de árboles?
En scikit-learn, el parámetro n_estimators define cuántos árboles formarán tu bosque. Por defecto son 100, lo cual es un excelente punto de partida. Imagina que estás pidiendo consejo: consultar a 10 personas es mejor que a 1, pero consultar a 10,000 podría no darte una respuesta mucho mejor y solo te hará perder tiempo. Aumentar este número generalmente mejora el rendimiento, pero incrementa el costo computacional. Lo ideal es probar con valores como 100, 300 o 500 y observar dónde el modelo deja de mejorar significativamente.
Ahora se crearán los features y el target y se spliteará el dataset en train y split, finalmente se usará el Random Forest Classifier y se entrenará y harán predicciones
\# create X and y X = df\_diabetes.drop("9. Class variable (0 or 1)", axis=1) y = df\_diabetes\["9. Class variable (0 or 1)"] \# split dataset from sklearn.model\_selection import train\_test\_split X\_train, X\_test, y\_train, y\_test = train\_test\_split(X, y, test\_size=0.3, random\_state=42) \# Use random forest model from sklearn.ensemble import RandomForestClassifier random\_forest = RandomForestClassifier( n\_estimators=10, random\_state=42 ) random\_forest.fit(X\_train, y\_train) y\_train\_pred\_random\_forest = random\_forest.predict(X\_train) y\_test\_pred\_random\_forest = random\_forest.predict(X\_test)
¡Perfecto! Aquí tienes una guía clara y práctica para el entrenamiento de tu primer modelo de Random Forest con scikit-learn usando un dataset real:
🔧 Paso 1: Importar librerías necesarias
from sklearn.ensemble import RandomForestClassifier from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, accuracy_score, confusion_matrix import matplotlib.pyplot as plt import seaborn as sns
📥 Paso 2: Cargar y explorar los datos
# Dataset clásico: Iris iris = load_iris() X = iris.data y = iris.target
# Opcional: ver forma de los datos print("Shape X:", X.shape) print("Shape y:", y.shape)
✂️ Paso 3: Dividir en entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
🌲 Paso 4: Crear y entrenar el modelo Random Forest
rf_model = RandomForestClassifier(n_estimators=100, random_state=42) rf_model.fit(X_train, y_train)
📈 Paso 5: Realizar predicciones
y_pred = rf_model.predict(X_test)
✅ Paso 6: Evaluar el modelo
print("Accuracy:", accuracy_score(y_test, y_pred)) print("\nClassification Report:\n", classification_report(y_test, y_pred)) print("\nConfusion Matrix:\n", confusion_matrix(y_test, y_pred))
🔍 Paso 7: Visualizar importancia de características
feature_importances = rf_model.feature_importances_ feature_names = iris.feature_names
sns.barplot(x=feature_importances, y=feature_names) plt.title("Importancia de las características") plt.xlabel("Importancia") plt.ylabel("Característica") plt.show()
🎉 Resultado:
Con el dataset Iris, deberías obtener una precisión bastante alta (cerca o superior al 95%), y podrás ver qué variables fueron más importantes para la clasificación.
Si alguien lo necesita ya que no se esta utilizando ninguna notacion de variables(snake_case) como se estaba habituando
#Separamos en X e y X = df_diabetes.drop('9. Class variable (0 or 1)', axis=1) y = df_diabetes["9. Class variable (0 or 1)"]