Procesamiento de datos para el entrenamiento de árbol de decisión

Cursos Empresas Blog Live Conf Precios

Contenido del curso

Introducción a árboles de decisión

Proyecto práctico: árboles de decisión

Introducción a random forest

Proyecto práctico: random forest

20
Entrenamiento de modelo de clasificación de carros con random forest
04:28 min
21
Evaluación de resultados del modelo de clasificación con random forest
11:34 min

Conclusión

Tomar examen

Procesamiento de datos para el entrenamiento de árbol de decisión

Comentarios

Sebastian Matiz Barrera

student

Ha 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.

Julián Cárdenas

student

Hola compañero!! Sí me ha gustado un montooón la profe!

William Camilo Correa Sandoval

student

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

Julián Cárdenas

student

Vea pues datazo!

Leandro Tenjo

student

Tu comentario debería ser parte oficial de la clase. Gracias

Joaquín Ricardo Svoboda Abregú

student

Me encanta como separaste lo que es X y lo que es Y de manera tan visual :D

Layla Scheli

teacher

Gracias :)

Juan R. Vergara M.

student

👍🔥

Isaac Bryan Ascanoa Roncall

student

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.

Layla Scheli

teacher

Que bueno Isaac, me alegra :)

Andres Jimenez

student

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.

Anthony Ismael Manotoa Moreno

student

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

Julián Cárdenas

student

Exacto puede ser cualquier número, igual sí tienes dudas ChatGPT las responde increíblemente bien

Antonio Demarco Bonino

student

La explicación de las X y la Y fue genial. Corta, concisa y clara. Todo lo que tiene que tener una buena conceptualización.

Layla Scheli

teacher

Gracias Antonio, un saludo :)

Julián Cárdenas

student

Consideramos a X, todos los feutures, que no encierren a nuestra variable target. Sencillo y directo!

José Salas Bolívar

student

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

Layla Scheli

teacher

Gracias Jose por tus palabras :)

Sebastián Franco

student

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,))

Mario Alexander Vargas Celis

student

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()

Eugenio Schiavoni

student

Profe dado que el target esta desbalanceado, no seria mejor balancearlo con alguna librería como imbalanced-learn ???

Layla Scheli

teacher

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!

Diego Andrés Rojas Pinzón

student

Los Datos de X estan en Object, no deberian estar en float o int antes de hacer el train_test_split ?

Layla Scheli

teacher

Hola Diego no es necesario, podes transformarlo luego :)

Valeria Iglesias Miranda

student

¿Cómo determino el valor para random_state?

Layla Scheli

teacher

Hola Valeria, podes colocar cualquier valor, es solo una semilla, que te sirve para darle reproducibilidad al codigo luego, generalmente se pone 0 :)

Juan José Mamani Tarqui

student

X: Son variables llamadas predictoras

y: El objetivo , target. Lo que queremos ver como resultado

Layla Scheli

teacher

Correcto Juan :)

Darrien Sequera

student

Gran clase!!!. Impecable la explicación.

Juan Cruz

student

Explica muy bien!!!

\# 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,))

Introducción a árboles de decisión

¿Qué son los árboles de decisión?

Tu primer árbol de decisión con scikit-learn

Análisis de datos para tu primer árbol de decisión

Entrenamiento y evaluación de árbol de decisión con scikit-learn

¿Cómo funcionan los árboles de decisión?

¿Cuándo usar árboles de decisión?

Proyecto práctico: árboles de decisión

Conociendo problema a resolver y dataset de clasificación

Análisis exploratorio de datos para árbol de decisión