El objeto estimador de Scikit-Learn
Clase 16 de 32 • Curso de Machine Learning Aplicado con Python
Contenido del curso
Clase 16 de 32 • Curso de Machine Learning Aplicado con Python
Contenido del curso
Daniel Alejandro Figueroa Arias
Camilo Andrés González Gómez
Santiago Sanchez
Mauricio Andrés Guerra Cubillos
Darvin Orozco
Javier Suárez Meerhoff
Carlos Andrés Posada
Darvin Orozco
Usuario anónimo
Diaz Mauricio
Wilson Fernando Antury Torres
Wilson Fernando Antury Torres
Santiago Pulido Peláez
Leandro Tenjo
Juan Camilo Muñoz Bedoya
Cristian Orozco Benjumea
Darvin Orozco
Diego Martinez
Sergio Rubiano
Mateo Murcia Valles
Esmeralda Palacios
Ignacio Cazcarra
Carlos Alberto Conde Moreno
Andrés Mauricio Guevara Riveros
Cristhian Enrique Córdoba Trillos
Joel Eduardo Gaspar
Esmeralda Palacios
María José Medina
Usuario anónimo
Usuario anónimo
Hola tienes el link?
Por aca te dejo el link de la image
Los 3 métodos mas importantes del Estimador son:
Gracias, muy buen resumen! casi que vital... Fit = Entrenar. Predict = Predice & Score = Mide qué tan confiable es un algoritmo.
gracias!
Esta es la mejor y más importante clase hasta ahora.
En total acuerdo. Lo mejor fue el diagrama de flujo para saber la cantidad de datos mínima que se necesitan para hacer ML. Excelente clase, aclara muy bien todo el código que vendrá...
Considero que este articulo complementa muy bien esta clase: https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463
Gracias
Me atrevo a decir que esta es la introduccion a cualquier curso de machine learning de platzi, saber esto es escencial para no enredarse con sckitlearn
Y es triste que ya lo descatalogaron. Ya no aparece ni buscándolo. Solo si se tiene el enlace.
la mejor clase hasta ahora, explicó claramente en 7 minutos lo que se tardaron 4 horas en una diplomatura que estoy haciendo
Scikit-learn es una librería open source para machine learning para el lenguaje Python. Presenta varios algoritmos de Clasificación, Regresión and Clustering incluyendo:
Gracias, buen aporte/definición. Crees que al ser una librería Open source tan efectiva/buena, ¿Algún grande la va a comprar y eso cambie su crecimiento y mejoras?
Me pareció interesante este articulo, lo comparto a modo de complementaciòn: https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463
Para los que somos más visuales, Los 3 Métodos claves del Estimador:  # Suben el archivo desde el computador. import io # Dataset is now stored in a Pandas Dataframe X = pd.read_csv(io.BytesIO(uploaded['x.csv'])) X.head() y=X['worldwide_gross'] X=X.drop('worldwide_gross', axis=1) from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test= train_test_split(X,y, test_size=0.4) print(len(X)) print(len(X_train)) print(len(X_test)) X.head(1) from sklearn.linear_model import Lasso model=Lasso() model.fit(X_train,y_train) predicted=model.predict(X_test) predicted.shape import matplotlib.pyplot as plt %matplotlib inline plt.hist([predicted,y_test]);```
Los 3 métodos mas importantes del Estimador son:
Fit: Entrena el modelo. Predict: Predice valores, con datos nuevos. Score: Mide el performace del algoritmo y nos indica una probabilidad.
Brillante! Creo que es de las pocas veces que he visto que un profesor en estos temas se detiene a explicar con esta calma algo tan core. Hasta ahorita solo me ha tocado que lo hagan Francisco Camacho y tú Juan Pablo!
OH! sii Francisco Camacho!! y Facundo , sus clases con ellos son muy amenas :)
Muy buena clase. Creo que este curso deberia estar entre los primeros de la ruta
Me gusto mucho, ya había trabajado en algo similar con R, pero debi realizar muchos pasos manuales para obtener conjutos de datos test y modelos entrenados, lo que significaba mucho tiempo invertido. Con python el tema lo veo mas simple.
Todo muy bien explicado, cada detalle y su aplicación