Tu primer random forest con scikit-learn
Curso de Decision Trees y Random Forest con Python y scikit-learn
Contenido del curso
reacosta7383
Julián Cárdenas
Layla Scheli
Profesor
Andres Cervantes
Juan R. Vergara M.
Angel Martínez
Angel Martínez
Valentina Cobo Paz
Antonio Demarco Bonino
Piero Olivas
Diego Mauricio Zuluaga Rodríguez
Sebastián Franco
Mario Alexander Vargas Celis
Url del dataset:
https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database
Me gusta está clase, hasta el momento se han trabajado 3 data sets de manera fluida, es una buena carga pedagógica :D
Gracias Julian, por tus aportes :)
Para cargar el dataset:
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns url = 'https://5tm9.short.gy/pima-diabetes-data' df_diabetes = pd.read_csv(url) df_diabetes.head()
Muchas gracias 💯✔📝
Para cargar el dataset pueden usar:
df_diabetes = pd.read_csv('https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv',header=None) df_diabetes.columns = ['Pregnancies', 'Glucose', 'BloodPressure (mm Hg)', 'SkinThickness (mm)', 'Insulin (mu U/ml)', 'BMI (kg/m^2)', 'DiabetesPedigreeFunction', 'Age (years)', 'Outcome'] df_diabetes.head()
Para cargar el dataset pueden usar: ```python df_diabetes = pd.read_csv('https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv',header=None) df_diabetes.columns = ['Pregnancies', 'Glucose', 'BloodPressure (mm Hg)', 'SkinThickness (mm)', 'Insulin (mu U/ml)', 'BMI (kg/m^2)', 'DiabetesPedigreeFunction', 'Age (years)', 'Outcome'] df_diabetes.head()
estos datasets que encontramos gratuitos son muy interesantes para aprender y practicar, sin embargo, son datasets que ya están muy manipulados, en la vida real los datasets suelen ser mucho mas complejos, me he encontrado con que el preprocesamiento de los datos es mucho mas complejo y demandante que la misma clasificación y análisis.
Los datasets son oro en polvo para generar experiencia.
Excelente! 👩🏻💻
¿Cuándo usar RandomForestClassifier sobre árboles simples?
Debes dar el salto a un Random Forest cuando notes que tu árbol de decisión simple es muy inestable o sufre de alta varianza. Imagina que un solo árbol es como preguntarle a un solo experto; si ese experto tiene un sesgo, tu predicción fallará. Un Random Forest es como consultar a un comité de expertos con diferentes perspectivas y tomar una decisión por mayoría. Úsalo siempre que busques mayor precisión y robustez en tus predicciones, especialmente en datasets complejos donde un solo árbol tiende a sobreajustarse rápidamente a los datos de entrenamiento.
Para empezar a trabajar en el Random Forest se usará el dataset de Diabetes de Pima Indians, este busca predecir si una persona tendrá diabetes o no según una serie de features a explorar, se encuentra en este link
Ahora se usará el código base de importación de librerías y carga del dataset
import pandas as pd import matplotlib.pyplot as plt import seaborn as sns dataset\_path = "pima-indians-diabetes.csv" pd.read\_csv(dataset\_path, sep=",")
¡Perfecto! Vamos a crear tu primer Random Forest con scikit-learn, paso a paso. Usaremos un dataset clásico: Iris, que es ideal para clasificación.
✅ 1. Importar librerías necesarias
from sklearn.datasets import load_iris from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, classification_report, confusion_matrix import pandas as pd import seaborn as sns import matplotlib.pyplot as plt
✅ 2. Cargar el dataset y dividir en entrenamiento y prueba
# Cargar el dataset Iris iris = load_iris() X = iris.data y = iris.target
# Dividir en entrenamiento (80%) y prueba (20%) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
✅ 3. Crear y entrenar el modelo Random Forest
# Crear el modelo model = RandomForestClassifier(n_estimators=100, random_state=42)
# Entrenar el modelo model.fit(X_train, y_train)
✅ 4. Realizar predicciones y evaluar
# Predicciones y_pred = model.predict(X_test)
# Métricas print("Accuracy:", accuracy_score(y_test, y_pred)) print("\nReporte de Clasificación:\n", classification_report(y_test, y_pred)) print("\nMatriz de Confusión:\n", confusion_matrix(y_test, y_pred))
✅ 5. Visualizar la importancia de las características
# Importancia de las variables importances = model.feature_importances_ features = iris.feature_names
# Mostrar con Seaborn sns.barplot(x=importances, y=features, palette="viridis") plt.title("Importancia de características en Random Forest") plt.xlabel("Importancia") plt.ylabel("Característica") plt.show()
✅ Resultado Esperado:
