Curso de Decision Trees y Random Forest con Python y scikit-learn
Contenido del curso
Procesamiento de datos para el entrenamiento de árbol de decisión
Sebastian Matiz Barrera
Estudiante
Julián Cárdenas
Estudiante
William Camilo Correa Sandoval
EstudianteJulián Cárdenas
Estudiante
Leandro Tenjo
Estudiante
Joaquín Ricardo Svoboda Abregú
Estudiante
Layla Scheli
Profesor
Juan R. Vergara M.
Estudiante
Isaac Bryan Ascanoa Roncall
EstudianteLayla Scheli
Profesor
Andres Jimenez
Estudiante
Anthony Ismael Manotoa Moreno
EstudianteJulián Cárdenas
Estudiante
Antonio Demarco Bonino
EstudianteLayla Scheli
ProfesorJulián Cárdenas
Estudiante
José Salas Bolívar
EstudianteLayla Scheli
Profesor
Sebastián Franco
Estudiante
Mario Alexander Vargas Celis
Estudiante
Eugenio Schiavoni
EstudianteLayla Scheli
Profesor
Diego Andrés Rojas Pinzón
EstudianteLayla Scheli
Profesor
Valeria Iglesias Miranda
EstudianteLayla Scheli
Profesor
Juan José Mamani Tarqui
EstudianteLayla Scheli
Profesor
Darrien Sequera
Estudiante
Juan Cruz
EstudianteHa sido un gran curso hasta el momento, no he visto muchos compañeros así que esto es solo un saludo para quienes se unan a la ruta en el futuro.
Hola compañero!! Sí me ha gustado un montooón la profe!
Para evitar el sesgo en la división de los datos es ideal pasar el argumento “stratify = y” en train_test_split, lo cual garantiza que la distribución de clases en la variable de destino “y”, se conserve tanto en el conjunto de entrenamiento como en el de prueba.
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3, random_state=45, stratify = y) y_train.value_counts()
unacc 847 acc 269 good 48 vgood 45 Name: class, dtype: int64
Vea pues datazo!
Tu comentario debería ser parte oficial de la clase. Gracias
Me encanta como separaste lo que es X y lo que es Y de manera tan visual :D
Gracias :)
👍🔥
Me encanto la forma de que la clase explica de manera especifica y facil la separacion de los elementos segun su categoria. En la universidad ni entendia nada, solo era copiar y pegar el codigo nada mas. Ahora me queda clara la funcionalidad de este.
Que bueno Isaac, me alegra :)
En la función de train_test_split, el random_state sirve para que el modelo sea comparable con otros modelos, y también para que cuando se ejecute de nuevo el código, pueda ser comparable. No me quedaba tan claro por qué colocamos "42", y en el ejercicio anterior "00000". Pero es meramente para que pueda ser comparable.
El 42 es una "semilla". Su principal razón es para que si quieres replicar tu código, te salgan los mismos resultados. ¿Por qué? Porque cuando separa tus datos entre datos de entrenamiento y datos de prueba, lo hace de una manera aleatoria, entonces si vuelves a ejecutar el código sin una semilla, cada vez te separará los datos de maneras distintas. En cambio, todas las veces que lo haga con la semilla "42", lo hará igual. Entonces el número de la semilla es irrelevante, podría ser cualquiera que tú quieras (00000, 42, 3, etc.), lo importante es que si usas el mismo número, tendrás los mismos resultados
Exacto puede ser cualquier número, igual sí tienes dudas ChatGPT las responde increíblemente bien
La explicación de las X y la Y fue genial. Corta, concisa y clara. Todo lo que tiene que tener una buena conceptualización.
Gracias Antonio, un saludo :)
Consideramos a X, todos los feutures, que no encierren a nuestra variable target. Sencillo y directo!
Hola... vengo del futuro 🤖🤖🤖 Me gusto mucho la estructura de los nootebooks, están muy bien comentados y siguen un orden lógico que no da lugar a perdidas !!! Saludos
Gracias Jose por tus palabras :)
Los features serán todas las columnas excepto Class, entonces, el eje X está contenido por
buying, maint, doors, persons, lug_boot, safety
Y el target del modelo será
class
Así pues, definiremos X e Y, los splittearemos y verificaremos su contenido
\# Extract X and Y X = df\_car.drop(\["class"], axis=1) y = df\_car\["class"] \# Split data 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) \# Check dataset sizes X\_train.shape, X\_test.shape \# ((1209, 6), (519, 6)) Y\_train.shape, Y\_test.shape ((1209,), (519,))
El procesamiento de datos para entrenar un árbol de decisión implica preparar tu dataset de forma que el algoritmo pueda aprender patrones de manera efectiva. Aunque los árboles de decisión son muy flexibles (no requieren escalado de variables, por ejemplo), sí necesitan ciertos pasos clave para funcionar correctamente.
✅ Pasos de Procesamiento de Datos para Árbol de Decisión (Clasificación o Regresión)
1. Separar variables predictoras y objetivo
X = df.drop('target', axis=1) # variables predictoras y = df['target'] # variable objetivo
2. Codificar variables categóricas
Los árboles requieren valores numéricos.
Opción A: Label Encoding (útil si hay orden implícito o pocas categorías)
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder() X['transmision'] = le.fit_transform(X['transmision'])
Opción B: One-Hot Encoding (útil para categorías sin orden)
X = pd.get_dummies(X, columns=['marca', 'modelo'])
3. Manejo de valores nulos
Los árboles no manejan valores faltantes por sí solos.
X = X.fillna(X.median()) # o usar X.dropna() si es apropiado
4. División de datos en 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 )
5. (Opcional) Balancear clases si es clasificación
Si tienes un problema de clasificación desbalanceada:
from sklearn.utils import resample
# Combinar X e y df_train = pd.concat([X_train, y_train], axis=1) minority = df_train[df_train['target'] == 'clase_rara'] majority = df_train[df_train['target'] == 'clase_común']
minority_upsampled = resample(minority, replace=True, n_samples=len(majority), random_state=42)
df_balanced = pd.concat([majority, minority_upsampled]) X_train = df_balanced.drop('target', axis=1) y_train = df_balanced['target']
6. Entrenamiento del árbol
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(max_depth=5, random_state=42) clf.fit(X_train, y_train)
7. Evaluación
from sklearn.metrics import classification_report
y_pred = clf.predict(X_test) print(classification_report(y_test, y_pred))
8. (Opcional) Visualizar el árbol
from sklearn.tree import plot_tree import matplotlib.pyplot as plt
plt.figure(figsize=(16, 8)) plot_tree(clf, feature_names=X.columns, class_names=clf.classes_, filled=True) plt.show()
Profe dado que el target esta desbalanceado, no seria mejor balancearlo con alguna librería como imbalanced-learn ???
Hola Eugenio, si eso podría ser una optimización del modelo. Inicialmente lo podes ver como lo hemos visto y luego tratar de optimizarlo, con ese tipo de herramientas! Si lo haces, te invito a que nos compartas el codigo para que lo podamos ver :) Un saludo!
Los Datos de X estan en Object, no deberian estar en float o int antes de hacer el train_test_split ?
Hola Diego no es necesario, podes transformarlo luego :)
¿Cómo determino el valor para random_state?
Hola Valeria, podes colocar cualquier valor, es solo una semilla, que te sirve para darle reproducibilidad al codigo luego, generalmente se pone 0 :)
X: Son variables llamadas predictoras
y: El objetivo , target. Lo que queremos ver como resultado
Correcto Juan :)
Gran clase!!!. Impecable la explicación.
Explica muy bien!!!
