Cursos Empresas Blog Live Conf Eventos Precios

0:003:10

Tu primer random forest con scikit-learn

Curso de Decision Trees y Random Forest con Python y scikit-learn

Clase 14 de 23

Clase 14 / 23

Mario Alexander Vargas Celis

¡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:

Una alta precisión (accuracy > 90%) en este dataset.
Gráfico con las variables más relevantes para el modelo.
Matriz de confusión para visualizar errores (falsos positivos/negativos).

Tu primer random forest con scikit-learn

Progreso del curso

Introducción a árboles de decisión

Proyecto práctico: árboles de decisión

Introducción a random forest

Proyecto práctico: random forest

Conclusión