Contenido del curso
Guía práctica de algoritmos de machine learning con scikit-learn
¡Hola! Te doy la bienvenida a esta clase con un nuevo reto.
Antes que nada espero que te haya ido excelente con el notebook del reto anterior y que hayas completado todos los ejercicios. Recuerda que cualquier duda puedes dejarla en comentarios de la clase para que toda la comunidad de Platzi pueda apoyarte.
Notebook de algoritmos de machine learning
En la notebook en Google Colab de esta clase encontrarás una guía para probar algoritmos de machine learning en código. Desde la carga de datos hasta entrenar el modelo y verificar su performance.
Para estos ejemplos utilizaremos la librería de scikit-learn, una de las librerías con las que podemos comenzar a aprender el uso de algoritmos de machine learning de manera más sencilla.
En los siguientes cursos de la ruta de la Escuela de Data Science profundizarás en el uso de scikit-learn y otras librerías de machine learning. ¡Comencemos con la base! 🧠
Crea una copia de este notebook en tu Google Drive o utilízalo en el entorno de Jupyter notebook que prefieras. Recuerda instalar las librerías necesarias para ejecutar el código si ejecutas tu notebook en un entorno local.
Esta notebook no tiene ejercicios adicionales como la anterior, pero este el reto que tienes para esta clase:
¡Leo tus anotaciones en los comentarios y nos vemos en el próximo módulo!
Daniel Pérez
Estudiante
Rafael Rivera
Estudiante
Patricio Sánchez Fernández
Estudiante
Jonathan Vásquez Alvarado
EstudianteRafael Rivera
Estudiante
Julián Cárdenas
Estudiante
David Coello
Estudiante
Sebastian Gaviria
EstudianteJulián Cárdenas
Estudiante
Antonio Demarco Bonino
Estudiante
Diego Jurado
Estudiante
Andres Gutiérrez Castillo
EstudianteDaniel Pérez
EstudianteDaniel Pérez
Estudiante
Rigoberto Acosta González
Estudiante
Fernando Callasaca Acuña
Estudiante
Leandro Tenjo
Estudiante
Emmanuel Guerra Sánchez
Estudiante
Eliana Ossio
Estudiante
Julian Crispin
Estudiante
Violeta Sosa León
Estudiante
Nelson Mauricio Bravo Caballero
Estudiante
Platzi
Estudiante
david jurado
EstudiantePlatzi
Estudiante
Marco Antonio Latorre González
Estudiante
David Gallego
Estudiante
Dionicio Perez
EstudianteVioleta Sosa León
EstudianteEmmanuel Guerra Sánchez
Estudiante
Jonathan Fernando Santana Quispillo
Estudiante
Axel Yaguana
Team Platzi
Cristian Omar Rubio Ceja
EstudiantePara evitar la advertencia que se genera al ajustar el modelo de regresión logística, una de las posibles soluciones es incrementar el número de iteraciones (por default es de 100) al configurar la regresión:
model_2 = linear_model.LogisticRegression(max_iter=110)
Gracias, buen aporte
Daniel, muchas gracias por el aporte.
Así queda la gráfica del codo para confirmar que de 3 a 4 serían las mejores elecciones de clústeres.
Les dejo el código:
I = [] centroids = [] for c in range(2,11): k2model = KMeans(n_clusters=c, random_state=42) k2model.fit(data[["petal length (cm)", "petal width (cm)"]]) I.append(k2model.inertia_) centroids.append(k2model.cluster_centers_) f = plt.figure(figsize=(7,5)) ax = f.add_subplot(1,1,1) ax.scatter(x=np.arange(2,11), y=I) ax.plot(np.arange(2,11),I) ax.set_xlabel('Clusters') ax.set_ylabel('Inertia') ax.set_title('Elbow method for optimal k value') f.tight_layout()
Super el aporte, precisamente estaba pensando eso.
Gracias por compartir
Buen aprote!
Otra manera de realizar la visualización de "Elbow Method" es mediante KElbowVisualizer, dejo la documentación:
# instalamos la libreria !pip install yellowbrick #I mportamos libreria de elbow method from yellowbrick.cluster import KElbowVisualizer # Creamos el modelo kmodel = KMeans(random_state= 42) # Inicializamos el visualizador de elbow method visualizer = KElbowVisualizer(kmodel, k=(2,8)) # Ajustamos el modelo visualizer.fit(df_iris[['petal length (cm)', 'petal width (cm)']]) visualizer.show()
!El mejor aporte! Mil gracias.
Que buenos aportes están dando!
Para hablar de modelos este video de Dot Csv es GENIAL: https://www.youtube.com/watch?v=Sb8XVheowVQ&t=438s&ab_channel=DotCSV
Gracias por compartir el link
no hagas eso mejor has esto
iris = datasets.load_iris(as_frame=True) data= iris.frame
from sklearn.model_selection import train_test_split train, test = train_test_split( data, test_size=0.2, random_state=42)
import seaborn as sns sns.jointplot(data=data, x= "petal length (cm)", y="petal width (cm)", kind= 'reg' `` - si quieren aplicar la tecnica del codo para encontrar el numero de K ideal en el algoritmo K-means:
el nombre completo de la funcion de coste es: whithin cluster sum of squares (WCSS)
WCSS = [] for c in range(2,10): m_kmeans = KMeans(n_clusters = c) # 1 cargamos el modelo especificando el n_clusters m_kmeans.fit(data[["petal length (cm)", "petal width (cm)"]]) # 2 entrenamos el modelo con la data sacalada WCSS.append(m_kmeans.inertia_) # 3 guardamos el valor del WCSS
plt.plot(range(len(WCSS)), WCSS, "rx-") plt.title('Encontrar el número correcto de clusters') plt.xlabel('Nº Clusters') plt.ylabel('WCSS') plt.show()
Acá mi resultado del Modelo de K-Means con un k=3.
Un resumen del proceso se regresión linear:
0. Se separan los datos en 'training' y ' 'testing'.
Para predecir Y ('petal width') a partir de X ('petal length'), queremos ajustar un modelo a:
𝜃1 ∗ 𝑥 + 𝜃0 = 𝑦 ,
la ecuación de la recta para generar nuestra regresión lineal.
Mi aporte al reto:
Para evaluar qué número de cluster colocar. Aquí les dejo mi aporte del gráfico del "codo".
k = 5 train = data[["petal length (cm)", "petal width (cm)"]] inertia_list = [] for i in range(1,k+1): modelKMeans = KMeans(n_clusters = i, random_state=42) modelKMeans.fit(train) inertia_list.append(modelKMeans.inertia_) f = plt.figure(figsize=(7,5)) ax = f.add_subplot(1,1,1) ax.plot(np.arange(1,6,1), inertia_list, '-o', ms=15, mfc='green') ax.set_title('Elbow-plot - Diagrama de Codo') ax.set_xlabel('K - Cluster') ax.set_ylabel('Distorción del Score . inertia') ax.grid() f.tight_layout()
Otra forma de crear el ElbowPlot 📉
def medir_inertia(n_c=1, r_s=42): elbowplot_df = pd.DataFrame(columns=['n_clusters', 'inertia']) i = 1 while i <= n_c: k2model = KMeans(n_clusters=i, random_state=r_s) k2model.fit(iris_df[["petal length (cm)", "petal width (cm)"]]) elbowplot_df = elbowplot_df.append( {'n_clusters': i, 'inertia': k2model.inertia_}, ignore_index=True ) i+=1 return elbowplot_df medir_inertia(n_c=10).pipe( lambda df: sns.lineplot(data= df, x='n_clusters', y='inertia', marker='o') );
De esta forma podemos visualizar la matriz de confunsión:
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay cm = confusion_matrix(ytest, ypred) print(cm) disp = ConfusionMatrixDisplay(confusion_matrix=cm) disp.plot()
PREGUNTA:
Predicción con logistic regression:
[2 2 2 1 0 0 0 0 2 1 2 0 0 1 1 2 1 1 2 2 2 0 2 0 0 2 2 1 0 0]
Predicción con random forest:
[2 2 1 1 0 0 0 0 2 1 2 0 0 1 1 2 1 1 2 2 2 0 2 0 0 2 2 1 0 0]
He comparado las predicciones realizadas con logistic regression vs random forest, ambas tienen un Testing accuracy = 1.0. Son casi iguales, excepto por el tercer elemento que en la logistic regression es 2 y en random forest es 1. Si ambos tienen un testing accuracy de 1, no deberían ser exactamente iguales?. Por favor, hay una explicación para esto?
Alguien sabe exactamente cual es la funcion del parametro "random_state" cuando se usa DataFrame.sample(). NO entiendo muy bien porque se le da el valor de 1234, o en que cambia si se le da otro valor. Gracias
El random_state garantiza que tu train_set y tu test_set siempre tengan el mismo tamaño, pero como se organizan aleatoriamente, necesitas garantizar el mismo número aleatorio. El 1234 es un número X, pudo haber sido 7890, no importa. Lo importante es que sea el mismo. Usualmente la convención es usar 42.
tengo una pregunta, despues de realizar el grafico del codo, en este caso deberiamos saber que k tiene que ser 3, ni 2 ni 4 o mas, pero en el grafico no es muy claro.
"Idealmente, los modelos con menor inercia son mejores; sin embargo, con más grupos, la inercia a menudo seguirá disminuyendo marginalmente." entonces como se puede conocer puntualmente cual es el mejor K?
Para encontrar el mejor K en K-means, se recomienda usar el gráfico del codo y buscar la 'curva' o 'codo' donde la disminución de la inercia cambia cási no. Si el gráfico no es claro, se podría emplear el 'silhouette score' buscando un valor cercano a uno.
Puede ser una pregunta tonta, pero no la entiendo, por qué se usa para predecir la y? tipo ypred? y no la x?
Linear regression predice 'y' en función del valor de 'x', porque 'y' es el resultado o la variable dependiente basada en la variable independiente 'x'. No se predice 'x' ya que es el valor conocido que usamos para predecir 'y'.
Buen día, el programa corre sin errores pero al final no muestra las gráficas, que puede estar pasando?
hola, en el punto 5 de k-means, me arroja un warning por 'n_init', no me queda claro donde ajustar este valor para que el warning no salga, me podrían dar una mano, muchas gracias.
Hola, esto se debe a una modificación en el método que esta implementando sklearn. ¿Que es n_init? La documentación dice lo sigueinte:
Número de veces que se ejecuta el algoritmo k-means con diferentes semillas de centroide. El resultado final es el mejor resultado de n_init ejecuciones consecutivas en términos de inercia. Se recomiendan varias ejecuciones para problemas dispersos de alta dimensión
En versiones menor a la 1.4 el valor por defecto es 10, en versiones igual o superior el valor por defecto es 'auto'. Simplemente es un aviso. Si quieres eliminar este aviso agrega n_init='auto' en donde ejucutes KMeans
En el código en el que usa el modelo de Random Forests, debería estar usando el y_pred del cfl y no el del ejercicio de logistic regression. Alguien podría aclarar esto?
Debe ser un typo
Para ver "qué tan bueno es el ajuste" se utiliza dos métricas de rendimiento: el error cuadrático medio (MSE) y R^2, se refiere al error y al acurrancy respectivamente.
¡Exacto!
RMSE (raíz del error cuadrático medio)
Nos indica cuán dispersos están los datos de la curva que mejor describe el modelo. En otras palabras, es la desviación estándar de los residuos.
R² (coeficiente de determinación)
Responde a qué tanto se ajustan las predicciones con el modelo. O sea, cuánto de la variación de los datos observados es explicada por las predicciones.
❌NO elevamos nada al cuadrado.
❌NO es ρ (Pearson) elevado al cuadrado.
Otra métrica interesante es ρ (coeficiente de correlación de Pearson)
Nos cuenta sobre los patrones en los datos.
✔️Explica cuán correlacionadas están las dos variables.
❌NO indica qué tan bueno es el modelo.
Pequeño aporte para entender mejor la confussion matrix
# Add plot for the confusion matrix with seaborn import seaborn as sns sns.heatmap(confusion_matrix(ytest, ypred), annot=True, fmt='d', cmap='Greens') # Add labels to the plot plt.xlabel('Predicted label') plt.ylabel('True label') plt.title('Confusion Matrix') # Add name of the species species = ['Setosa', 'Versicolor', 'Virginica'] plt.xticks([0.5, 1.5, 2.5], species) plt.yticks([0.5, 1.5, 2.5], species) plt.show()
