Aprendizaje supervisado con scikit-learn

En este capítulo, veremos problemas de clasificación y aprenderás a resolverlos mediante técnicas de aprendizaje supervisado. Aprenderás cómo dividir los datos en sets de entrenamiento y prueba, entrenar un modelo, hacer predicciones y evaluar la precisión. Descubrirás la relación entre la complejidad del modelo y el rendimiento, aplicando lo aprendido a un sets de datos de perdida de clientes, en el que clasificarás el estado de rotación de clientes de una empresa de telecomunicaciones.

En este capítulo, te presentaremos la regresión y construirás modelos para predecir los montos de venta utilizando un set de datos sobre gastos publicitarios. Aprenderás la mecánica de la regresión lineal y las métricas de desempeño más comunes, como R-cuadrada y error cuadrático medio. Realizarás validación cruzada k-fold, y aplicarás regularización a los modelos de regresión para reducir el riesgo de sobreajuste.

Habiendo entrenado los modelos, ahora aprenderás a evaluarlos. En este capítulo, se presentarán varias métricas junto con una técnica de visualización para analizar el rendimiento del modelo de clasificación mediante scikit-learn. También aprenderás a optimizar los modelos de clasificación y regresión mediante el uso del ajuste de hiperparámetros.

Aprende cómo imputar valores faltantes, convertir datos categóricos a valores numéricos, escalar datos, evaluar múltiples modelos de aprendizaje supervisado simultáneamente y construir pipelines para agilizar tu flujo de trabajo.