Machine Learning Con Python Aprendizaje Supervisado (Spanish Edition) (Ligdimar González (González, Ligdimar) )

Machine Learning con Python
Aprendizaje Supervisado
Ligdi González
2019
INDICE
Capítulo 1
INTRODUCCIÓN
MACHINE LEARNING CON PYTHON
Capítulo 2
PREPARAR EL ENTORNO DE PYTHON
PYTHON
LIBRERÍAS PARA LA CIENCIA DE DATOS
LIBRERÍAS PARA LA VISUALIZACIÓN DE DATOS
LIBRERÍAS PARA MACHINE LEARNING
INSTALAR EL ENTORNO DE PYTHON
TRABAJANDO CON EL IDE SPYDER
TRABAJANDO CON EL IDE JUPYTER NOTEBOOK
Capítulo 3
CURSOS INTENSIVOS DE PYTHON Y SCIPY
CURSO INTENSIVO DE PYTHON
CURSO INTENSIVO DE NUMPY
CURSO INTENSIVO DE PANDAS
CURSO INTENSIVO DE MATPLOTLIB
Capítulo 4
CARGAR LOS DATOS
CONSIDERACIONES DE LOS ARCHIVOS CSV
CONJUNTO DE DATOS: DIABETES DE LOS INDIOS PIMA
CARGAR ARCHIVOS CSV UTILIZANDO PYTHON
CARGAR ARCHIVOS UTILIZANDO PYTHON
Capítulo 5
ENTENDIENDO LOS DATOS
VERIFICAR LOS DATOS
DIMENSIONANDO LOS DATOS
TIPOS DE DATOS
DESCRIPCIÓN ESTADÍSTICA
DISTRIBUCIÓN DE CLASES (PROBLEMAS DE CLASIFICACIÓN)
CORRELACIÓN ENTRE CARACTERÍSTICAS
CONSIDERACIONES ADICIONALES
Capítulo 6
VISUALIZANDO LOS DATOS
GRÁFICAR CON UNA SOLA VARIABLES
GRÁFICAR CON VARIAS VARIABLES
Capítulo 7
PROCESAMIENTO DE LOS DATOS
SEPARACIÓN DE LOS DATOS
ESTANDARIZACIÓN DE LOS DATOS
NORMALIZACIÓN DE LOS DATOS
ELIMINACIÓN DE COLUMNAS
Capítulo 8
SELECCIONANDO CARACTERÍSTICAS
IMPORTANCIA DE LAS CARACTERÍSTICAS
MÉTODOS DE FILTRO
MÉTODOS DE ENVOLTURA
MÉTODOS INTEGRADOS
Capítulo 9
ALGORITMOS DE CLASIFICACIÓN
REGRESIÓN LOGÍSTICA
K - VECINOS MÁS CERCANOS
MÁQUINAS DE VECTORES DE SOPORTE
BAYESIANO INGENUO (NAIVE BAYES)
ÁRBOLES DE DECISIÓN CLASIFICACIÓN
BOSQUES ALEATORIOS CLASIFICACIÓN
Capítulo 10
MÉTRICAS DE RENDIMIENTO ALGORITMOS DE CLASIFICACIÓN
MATRIZ DE CONFUSIÓN
REPORTE DE CLASIFICACIÓN
ÁREA BAJO LA CURVA
Capítulo 11
ALGORITMOS DE REGRESIÓN
REGRESIÓN LINEAL
REGRESIÓN POLINOMEAL
VECTORES DE SOPORTE REGRESIÓN
ÁRBOLES DE DECISIÓN REGRESIÓN
BOSQUES ALEATORIOS REGRESIÓN
Capítulo 12
MÉTRICAS DE RENDIMIENTO ALGORITMOS DE REGRESIÓN
ERROR CUADRÁTICO MEDIO (RMSE)
ERROR ABSOLUTO MEDIO (MAE)
Capítulo 13
PROYECTO DE MACHINE LEARNING - CLASIFICACIÓN
DEFINICIÓN DEL PROBLEMA
IMPORTAR LAS LIBRERÍAS
CARGAR EL CONJUNTO DE DATOS
APLICACIÓN DE LOS ALGORITMOS DE CLASIFICACIÓN
Capítulo 14
PROYECTO DE MACHINE LEARNING - REGRESIÓN
APLICACIÓN DE LOS ALGORITMOS DE REGRESIÓN
Capítulo 15
CONTINUAR APRENDIENDO MACHINE LEARNING
CONSTRUIR PLANTILLAS PARA PROYECTOS
CONJUNTOS DE DATOS PARA PRÁCTICA
Capítulo 16
OBTENER MÁS INFORMACIÓN
CONSEJO GENERAL
AYUDA CON PYTHON
AYUDA CON SCIPY Y NUMPY
AYUDA CON MATPLOTLIB
AYUDA CON PANDAS
AYUDA CON SCIKIT-LEARN
Capítulo 1
INTRODUCCIÓN
Este libro es una guía para aprender Machine Learning aplicado con
Python. Se descubrirá, paso a paso, el proceso que se puede usar para
comenzar en Machine Learning con el ecosistema de Python.
MACHINE LEARNING CON PYTHON

Este libro se enfoca en proyectos de Machine Learning con el lenguaje
de programación de Python. Está escrito para explicar cada uno de los pasos
para desarrollar un proyecto de Machine Learning con algoritmos de
clasificación y regresión. Se encuentra dividido de la siguiente forma:
Aprender cómo las subtareas de un proyecto de Machine

Learning se asignan a Python y la mejor forma de trabajar a
través de cada tarea.
Finalmente, se une todo el conocimiento explicado para
desarrollar un problema de clasificación y otro de regresión.
En los primeros capítulos se aprenderá a cómo completar las subtareas

específicas de un proyecto de Machine Learning utilizando Python. Una vez
que se aprenda a cómo completar una tarea utilizando la plataforma y
obtener un resultado de manera confiable se podrá utilizar una y otra vez en
proyecto tras proyecto.
Un proyecto de Machine Learning, se puede dividir en 4 tareas:
Definir el problema: investigar y caracterizar el problema

para comprender mejor los objetivos del proyecto.
Analizar los datos: usar estadísticas descriptivas y
visualizarlas para comprender mejor los datos que se tiene
disponible.
Preparar los datos: utilizar las transformaciones de datos
para exponer mejor la estructura del problema de predicción a los
algoritmos de Machine Learning.
Evaluar los algoritmos: diseñar pruebas para evaluar una
serie de algoritmos estándar en los datos y seleccionar los mejores
para investigar más a fondo.
En la última parte del libro, unirá todo lo aprendido anteriormente, para

el desarrollo de un proyecto, uno con algoritmos de clasificación y otro con
algoritmos de regresión.
Cada una de las lecciones están diseñadas para leerse de principio a fin
en orden, y mostrar exactamente cómo completar cada tarea en un proyecto
de Machine Learning. Por supuesto, se puede dedicar a capítulos
específicos, posteriormente, para refrescar los conocimientos. Los capítulos
están estructurados para demostrar las librerías y funciones y mostrar
técnicas específicas para una tarea de Machine Learning.
Cada capítulo esta diseñado para completarse en menos de 30 minutos

(dependiendo de su nivel de habilidad y entusiasmo). Es posible trabajar
con todo el libro en un fin de semana. También funciona, si desea,
sumergirse en capítulos específicos y utilizar el libro como referencia.
Capítulo 2
PREPARAR EL ENTORNO DE PYTHON
Python está creciendo y puede convertirse en la plataforma dominante para

Machine Learning, la razón principal para adoptar este lenguaje de
programación es que es de propósito general que puede ser usado tanto para
investigación y desarrollo, como en producción.
En este capítulo aprenderás todo lo relacionado al entorno de Python

para Machine Learning:
1. Python y su uso para Machine Learning.

2. Las librerías básicas para Machine Learning como lo son
SciPy, NumPy y Pandas.
3. La librería para la visualización de datos como lo es
matplotlib.
4. La librería para implementar algoritmos de Machine
Learning, scikit-learn.
5. Configurar el entorno de Python utilizando Anaconda.
6. Configurar el IDE Spyder.
7. Configurar el IDE Jupyter Notebook.
PYTHON
Python lidera en lenguajes de desarrollo de Machine Learning debido a
su simplicidad y facilidad de aprendizaje. Python es utilizado por más y
más científicos de datos y desarrolladores para la construcción y análisis de
modelos. Además, es un éxito entre los principiantes que son nuevos en
Machine Learning.
A diferencia de otros lenguajes de programación para Machine
Learning, como R o MATLAB, el procesamiento de datos y las expresiones
matemáticas científicas no están integradas en el lenguaje en sí, pero las
librerías como SciPy, NumPy y Pandas, ofrecen una funcionalidad
equivalente en una sintaxis posiblemente más accesible.
Las librerías especializadas de Machine Learning como scikit-learn,

Theano, TensorFlow, le brindan la capacidad de capacitar a una variedad de
modelos de Machine Learning, que potencialmente utilizan infraestructura
de computación distribuida.
LIBRERÍAS PARA LA CIENCIA DE DATOS

Estas son las librerías básicas que transforman Python de un lenguaje de
programación de propósito general en una poderosa y robusta herramienta
para el análisis y la visualización de datos, estas son las bases sobre las que
se basan las herramientas más especializadas.
SciPy
SciPy es una librería de software para ingeniería y ciencia, SciPy

incluye funciones para algebra lineal, optimización, integración y
estadísticas. Proporciona rutinas numéricas eficientes como integración
numérica, optimización y muchas otras a través de sus submódulos
específicos. La funcionalidad principal de esta librería se basa en NumPy y
sus matrices y el agregar una colección de algoritmos y comandos de alto
nivel para manipular y visualizar datos.
NumPy
NumPy se refiere a Numerical Python y es una librería fundamental

para la informática científica en Python ya que proporciona la vectorización
de operaciones matemáticas en el tipo de matrices, mejorando el
rendimiento y, en consecuencia, acelera la ejecución.
Esta orientada en administrar y tratar los datos como matrices, su

propósito es proporcionar la capacidad de hacer operaciones complejas de
matriz que son requeridas por redes neuronales y estadísticas complejas de
manera fácil.
En resumen, NumPy presenta objetos para matrices y matrices

multidimensionales, así como rutinas que permiten a los desarrolladores
realizar funciones matemáticas y estadísticas avanzadas en esas matrices
con el menor número de código posible.
NumPy es una librería de administración de datos que normalmente está
emparejado con TensorFlow, SciPy, matplotlib y muchas otras librerías de
Python orientadas hacia Machine Learning y la ciencia de datos.
Pandas
Pandas es una librería de Python diseñada para trabajar con datos

“etiquetados” y “relacionales” de manera simple e intuitivos, está diseñado
para una manipulación, agregación y visualización de datos rápida y fácil.
Pandas agrega estructura de datos y herramientas que están diseñadas para
el análisis de datos prácticos en finanzas, estadísticas e ingeniería. Pandas
funciona bien con datos incompletos, desordenados y no etiquetados, es
decir, el tipo de datos que es probable que se encuentre en el mundo real, y
proporciona herramientas para configurar, fusionar, remodelar y dividir
conjuntos de datos. Con esta librería se puede agregar y eliminar columnas
fácilmente desde el DataFrame, convertir estructuras de datos en objetos y
manejar datos faltantes (NaN).
LIBRERÍAS PARA LA VISUALIZACIÓN DE DATOS

El mejor y más sofisticado análisis no tiene sentido si no puedes
comunicarlo a otras personas. Estas librerías permiten crear fácilmente
gráficos, tablas y mapas visualmente más atractivos y sofisticados, sin
importar qué tipo de análisis estés tratando de hacer.
Matplotlib
Es una librería estándar de Python para crear diagramas y gráficos en

2D, es de muy bajo nivel, lo que significa que requiere más comandos para
generar gráficos y figuras agradables que con algunas librerías más
avanzadas, sin embargo, la otra cara de eso es la flexibilidad, con
suficientes comandos, puedes hacer casi cualquier tipo de gráficos que
desees con matplotlib.
LIBRERÍAS PARA MACHINE LEARNING

Machine Learning se encuentra en la intersección de la Inteligencia
Artificial y el análisis estadístico. Al entrenar computadoras con conjuntos
de datos del mundo real, se puede crear algoritmos que hacen predicciones
más precisas y sofisticadas, ya sea que se este hablando de obtener mejores
direcciones para conducir o construir computadores que puedan identificar
hitos simplemente observando imágenes.
Scikit-learn
La librería de scikit-learn es definitivamente una de las más populares

de Machine Learning, tiene una gran cantidad de características para la
minería de datos y el análisis de datos, por lo que es una excelente opción
tanto para investigadores como para desarrolladores. Está construido sobre
las populares librerías NumPy, SciPy y matplotlib, por lo que tendrás una
sensación familiar al utilizarla.
Scikit-learn expone una interfaz concisa y consistente para los

algoritmos comunes de Machine Learning, por lo que es sencillo llevar a los
sistemas de producción. La librería combina código de calidad y buena
documentación, facilidad de uso y alto rendimiento, y es un estándar de la
industria de facto para Machine Learning con Python.
Para mayor información se puede revisar la siguiente

información:
http://bit.ly/2Qmt2Zu
INSTALAR EL ENTORNO DE PYTHON

Existen múltiples formas de instalar el entorno de Python, IDEs y
librerías para ser utilizados en Machine Learning, pero la manera más fácil,
sobretodo si apenas estas aprendiendo y no conoces cómo trabajar muy bien
en la terminal de comandos, es utilizando el entorno de Anaconda.
Solamente tienes que dirigir a la página oficial, anaconda.com y

presionar el botón de “Downloads”.
Allí seleccionar el sistema operativo que utiliza el computador.

Luego seleccionar la versión de Python a utilizar, se recomienda
seleccionar la versión 3,6 ya que la mayoría de las librerías de Machine
Learning están desarrolladas para esta versión, mientras que la otra esta
quedando cada día más obsoleta para su uso.
Una vez que se haya descargado, proceder a instalarlo en el computador,

se debe tener un poco de paciencia porque en ocasiones todo este proceso
lleva un tiempo.
Al finalizar todo esto ya estará instalado en el computador, Python, gran

parte de las librerías a implementar en Machine Learning e inclusive varios
IDEs que se puede utilizar para los desarrollos de proyectos.
TRABAJANDO CON EL IDE SPYDER

Spyder se puede encontrar en el navegador de Anaconda “Anaconda-
Navigator”.
Para abrir Spyder solamente se tiene que presionar “Launch” sobre el
recuadro de la aplicación.
Una vez que inicie Spyder deberas ver una ventana de editor abierto en
el lado izquierdo y una ventana de consola de Python en el lado inferior
derecho. Por su parte, el panel ubicado en la parte superior derecha se usa
un explorador de variables, un explorador de archivos y un navegador de
ayuda. Al igual que la mayoría de los IDE, se puede cambiar qué paneles
son visibles y su diseño dentro de la ventana.
Se puede comenzar a trabajar con Spyder inmediatamente en la ventana
de la consola. De manera predeterminada, Spyder proporciona una consola
IPython que se puede usar para interactuar directamente con el motor de
Python. Funciona, esencialmente, de la misma manera que funciona en la
línea de comando, la gran diferencia es que Spyder puede inspeccionar los
contenidos del motor de Python y puede hacer otras cosas como mostrar
variables y sus contenidos dentro del explorador de variables.

información:
http://bit.ly/2MxKDvb
TRABAJANDO CON EL IDE JUPYTER NOTEBOOK

Jupyter Notebook lo puedes encontrar en el navegador de Anaconda
“Anaconda-Navigator”, al igual que Spyder.
Una vez seleccionado para abrir Jupyter, se abre una pestaña en el
navegador web predeterminado del computador. Desde acá se puede
navegar a través de las carpetas del computador para determinar en donde
se guardará el documento del proyecto. Se debe crear un nuevo Notebook
de Python 3, en este momento se abre una nueva pestaña, acá es donde se
debe empezar a desarrollar el proyecto.
Para efectos del libro todas las líneas de códigos y resultados de

códigos se hará utilizando como IDE, Jupyter Notebook, esto se debe que
la presentación de los datos es ideal para facilitar el entendimiento, pero
puedes seleccionar cualquier IDE de tú preferencia.
Capítulo 3
CURSOS INTENSIVOS DE PYTHON Y SCIPY
Para desarrollar algoritmos de Machine Learning en Python no es necesario

ser un desarrollador experto en Python, con solo tener las bases de cómo
programar en algún lenguaje de programación se puede ser capaz de
entender Python muy fácilmente, solamente necesitas conocer algunas
propiedades del lenguaje y transferir lo que ya realmente sabe a Python.
En este capítulo aprenderás:
1. Sintaxis básica de Python.

2. Conocimientos básicos en la programación de las librerías
NumPy, Pandas y Matplotlib.
3. Las bases para construir las tareas en Python para Machine
Learning.
Si ya conoces algo de Python, este capítulo será un refrescamiento en los

conocimientos.
CURSO INTENSIVO DE PYTHON

Python es una herramienta computacional poderosa que se puede utilizar
para resolver tareas complicadas en el área de finanzas, economía, ciencia de
los datos y Machine Learning.
Las ventajas técnicas que ofrece Python en comparación con otros

lenguajes de programación son las siguientes:
☐ Es gratis y actualizado constantemente.

☐ Puede ser utilizado en múltiples dominios.
☐ No requiere de mucho tiempo para procesar cálculos y posee una
sintaxis intuitiva que permite programar complejas líneas de código.
Con todas estas características hace que Python pueda ser
implementando en un sin fin de aplicaciones.
Por lo tanto, Python basa su popularidad en dos pilares, el primero es que

es fácil de aprender ya que contiene una sintaxis clara e intuitiva y la
segunda razón es que es muy poderoso ya que puede ejecutar una variedad
de complejas líneas de código.

información:
http://bit.ly/2JEOBnR
CURSO INTENSIVO DE NUMPY

NumPy es un paquete de Python que significa “Numerical Python”, es la
librería principal para la informática científica, proporciona una estructura de
datos de matriz que tiene algunos beneficios sobre las listas regulares de
Python.
Por su parte, NumPy array o el arreglo de marices de NumPy es un

potente objeto de matriz N-dimensional que tiene forma de filas y columnas,
en la que se tiene varios elementos que están almacenados en sus respectivas
ubicaciones de memoria. En la figura se puede observar esto más
claramente, esta es una matriz bidimensional porque tiene filas y columnas.
Como se puede ver tiene cuatro filas y tres columnas, en el caso de que solo
tuviera una hilera entonces habría sido una matriz unidimensional.
Según lo explicado anteriormente, en la primera figura se tiene una

matriz unidimensional o 1D. En la segunda figura, se tiene una matriz
bidimensional o 2D, en donde las filas se indican como el eje 0, mientras que
las columnas son el eje 1.
El número de ejes aumenta de acuerdo con el número de dimensiones, en

matrices 3D, se tendrá un eje 2, adicional. Estos ejes solo son válidos para
matrices que tienen al menos dos dimensiones, ya que no tiene sentido esto
para matrices unidimensional.
Entre las diferencias que tiene NumPy y las listas propias que ofrece
Python para manejar los datos se encuentran que, NumPy ocupa menos
memoria en comparación a las listas de Python, a su vez es bastante rápido
en términos de ejecución y no se requiere mucho esfuerzo en la
programación para ejecutar las rutinas. Por estas razones NumPy es mucho
más fácil y conveniente su uso en el desarrollo de los algoritmos de Machine
Learning.
Sabiendo todo esto, se crea dos matrices una unidimensional y otra
bidimensional, esto utilizando por supuesto NumPy.
Con la primera instrucción se indica al programa de Python que de ahora

en adelante np será la referencia para todo lo referente a NumPy. De esta
manera, muy simple, se declara las matrices dentro de NumPy.
NumPy contiene varias instrucciones para obtener más información

sobre las matrices que se han creado utilizando esta librería, algunas de ellas
son las siguientes:
Se puede encontrar el tipo de datos de los elementos que están

almacenados en una matriz, para ello se utiliza la función “dtype”, el cual
arrojará el tipo de datos junto con el tamaño.
Del mismo modo, se puede encontrar el tamaño y la forma de la matriz

con la función “size” y “shape”, respectivamente.
Otra de las operaciones que se puede realizar con NumPy es el cambio
de tamaño y forma de las matrices.
El cambio de la forma de las

matrices es cuando se cambia el número de filas y columnas que le da una
nueva vista a un objeto.
En la imagen se tiene 3 columnas y 2 filas que se han convertido en 2

columnas y 3 filas utilizando la instrucción “reshape”.
Otra función que se puede utilizar con NumPy es seleccionar un solo

elemento de la matriz, para ello solamente se tiene que especificar el número
de columna y fila en donde está ubicado y devolverá el valor almacenado en
dicha ubicación.
Con la librería de NumPy se puede realizar de manera muy fácil

operaciones aritméticas. Se puede encontrar el valor mínimo, máximo y la
suma de la matriz con NumPy, para ello utilizamos “min”, “max” y “sum”,
respectivamente.
Se puede realizar más operaciones con las matrices de NumPy, como son
la suma, resta, multiplicación y división de las dos matrices.
Se ha cubierto gran parte de las funciones que se pueden utilizar al

momento de manipular los datos con NumPy, aún faltan muchas más
instrucciones, pero a medida que se vaya programando seguramente se irán
aprendiendo, recuerda que la página web propia de esta librería ofrece muy
buena información sobre todas las funciones que ofrece por lo que no está
demás visitarla.
Para mayor información se puede ver revisar la siguiente

información:
http://bit.ly/2MSJkqu
http://bit.ly/2QiAN2v
CURSO INTENSIVO DE PANDAS

Pandas es una librería de código abierto de Python que proporciona
herramientas de análisis y manipulación de datos de alto rendimiento
utilizando sus potentes estructuras de datos. El nombre de Pandas se deriva
del término “Panel Data” y es la librería de análisis de datos de Python.
Usando esta librería se puede lograr cinco pasos típicos en el

procesamiento y análisis de datos, independientemente del origen de los
datos: cargar, preparar, manipular, modelar y analizar.
Un DataFrame es la estructura fundamental de Pandas, estos son

estructuras de datos etiquetados bidimensionales con columnas de tipos
potencialmente diferentes. Los Pandas DataFrame constan de tres
componentes principales: los datos, el índice y las columnas.
Adicionalmente con la estructura Pandas DataFrame se puede especificar

los nombres de índice y columna. El índice indica la diferencia en las filas,
mientras que los nombres de las columnas indican la diferencia en las
columnas. Estos componentes son muy útiles cuando se requiera manipular
los datos.
Las características principales de la librería Pandas son:
☐ Objeto DataFrame rápido y eficiente con indexación

predeterminada y personalizada.
☐ Herramientas para cargar datos en objetos de datos en memoria
desde diferentes formatos de archivo.
☐ Alineación de datos y manejo integrado de datos faltantes.
☐ Remodelación y giro de conjuntos de fechas.

☐ Etiquetado, corte, indexación y subconjunto de grandes conjuntos
de datos.
☐ Las columnas de una estructura de datos se pueden eliminar o
insertar.
☐ Agrupa por datos para agregación y transformaciones.
☐ Alto rendimiento de fusión y unión de datos.
☐ Funcionalidad de la serie de tiempo.
Como cualquier otra librería en Python, se debe importarla dentro del

programa, en este caso se suele usar el alias pd, mientras que para la librería
NumPy se carga como np.
Crear los DataFrames es el primer paso en cualquier proyecto de

Machine Learning con Python, por lo que para crear una trama de datos
desde una matriz NumPy se debe pasarla a la función DataFrame() en el
argumento de datos.
Si se observa el resultado de este código, se fragmenta los elementos

seleccionados de la matriz NumPy para construir el DataFrame, primero se
selecciona los valores que figuran en las listas que comienza con Fila1 y
Fila2, luego selecciona el índice o los números de fila Fila1 y Fila2 y luego
los nombres de las columnas Col1 y Col2.
La manera en que se crea este DataFrame será la misma para todas las
estructuras.
Una vez creado el DataFrame se puede explorarlo con todas las

instrucciones con las que Pandas cuenta. Lo primero que se debe hacer es
conocer la forma de los datos para ello se utiliza la instrucción shape. Con
esta instrucción se puede conocer las dimensiones del DataFrame, es decir el
ancho y altura.
Por otra parte, se puede utilizar la función len() en combinación con la

instrucción index para conocer la altura del DataFrame.

información:
http://bit.ly/2yibciB
http://bit.ly/2NFsYCa
CURSO INTENSIVO DE MATPLOTLIB

Matplotlib es una librería de trazado utilizada para gráficos 2D en
lenguaje de programación Python, es muy flexible y tiene muchos valores
predeterminados incorporados que ayudan muchísimo en el trabajo. Como
tal, no se necesita mucho para comenzar, solamente se tiene que hacer las
importaciones necesarias, preparar algunos datos y con esto se puede
comenzar a trazar la función con la ayuda de la instrucción plot().
Al momento de graficar se debe tener en cuenta las siguientes
consideraciones:
☐ La figura es la ventana o página general en la que se dibuja todo, es

el componente de nivel superior de todo lo que se considerará en los
siguientes puntos. Se puede crear múltiples figuras independientes.
Una figura puede tener otras cosas como por ejemplo un subtítulo,
que es un título centrado de la figura, una leyenda, una barra de
color, entre otros.
☐ A la figura se le agrega los ejes. Los ejes es el área en la que se
grafican los datos con funciones tales como plot() y scatter() y que
pueden tener etiquetas asociadas. Las figuras pueden contener
múltiples ejes.
☐ Cada eje tiene un eje x y otro eje y, y cada uno de ellos contiene una
numeración. También existen las etiquetas de los ejes, el título y la
leyenda que se deben tener en cuenta cuando se quiere personalizar
los ejes, pero también teniendo en cuenta que las escalas de los ejes
y las líneas de la cuadrícula pueden ser útiles.
☐ Las líneas vertebrales son líneas que conectan las marcas de eje y
que designan los límites del área de datos, en otras palabras, son el
simple cuadrado que puedes ver cuando has inicializado los ejes,
como en la siguiente imagen:
Como se puede observar los extremos derecho y superior están
configurados como invisibles.

información:
http://bit.ly/2CwmX99
http://bit.ly/2AuS57z
Capítulo 4
CARGAR LOS DATOS
El primer paso al comenzar un proyecto de Machine Learning es el de

cargar los datos. Existe muchas formas para hacer esto, pero lo primero que
se debe ver es el formato en que se encuentran estos datos, por lo general se
encuentran en archivos CSV, por lo que acá se explicará cómo cargar un
archivo CSV en Python, aunque también se mostrará como hacerlo en caso
de que tengas otro formato.
1. Cargar archivos CSV utilizando Python.

2. Cargar archivos utilizando Python.
CONSIDERACIONES DE LOS ARCHIVOS CSV

Varias son las consideraciones que se deben tomar en cuenta al momento
de cargar los datos desde un archivo CSV, a continuación, se explican
algunas de ellas.
Encabezado de archivo
En ocasiones los datos cuentan con un encabezado, esto ayuda en la

asignación automática de nombres a cada columna de datos. En caso de que
no se cuente con este encabezado, se puede nombrar sus atributos de manera
manual. De igual manera, debes especificar explícitamente si el archivo a
utilizar cuenta o no con un encabezado.
Delimitador
El delimitador que se usa de manera estándar para separar los valores en

los campos es la coma (,). El archivo a utilizar podría utilizar un delimitador
diferente como un espacio en blanco o punto y coma (;), en estos casos se
debe especificar explícitamente.
CONJUNTO DE DATOS: DIABETES DE LOS INDIOS PIMA

El conjunto de datos o dataset de los indios Pima se utilizará para
demostrar la carga de datos en este capítulo. También será utilizado en
muchos de los próximos capítulos.
El objetivo de este conjunto de datos es predecir si un paciente tiene

diabetes o no, según ciertas mediciones de diagnóstico incluidas en el
conjunto de datos. En particular, todos los pacientes aquí son mujeres de al
menos 21 años de la herencia india Pima.
Los datos están disponibles gratuitamente en la página de Kaggle bajo

el nombre de “Pima Indians Diabetes Database”. Para descargar el archivo
se debe estar suscrito a Kaggle.

información:
http://bit.ly/2wqG0g6
CARGAR ARCHIVOS CSV UTILIZANDO PYTHON

Para cargar los datos CSV se utilizará la librería de Pandas y la función
“pandas.read_csv()”. Esta función es muy flexible y es la manera más rápida
y fácil para cargar los datos en Machine Learning. La función devuelve un
DataFrame de Pandas que se puede comenzar a utilizar de manera inmediata.
En el siguiente ejemplo se asume que el archivo diabetes.csv se

encuentra guardado en el directorio de trabajo actual.
También se puede cargar los datos directamente desde una dirección
web, para esto solamente se tiene que incluir la dirección web dentro del
paréntesis donde en estos momentos se tiene el nombre del archivo.
CARGAR ARCHIVOS UTILIZANDO PYTHON

En caso de que los archivos de Machine Learning no se encuentren en
formato CSV, la librería Pandas ofrece la opción de cargar datos en distintos
formatos. A continuación, una lista y las instrucciones que se debe utilizar:
Descripción Comando
HTML read_html
MS EXCEL read_excel
JSON read_json
SQL read_sql
Capítulo 5
Una vez cargados los datos deben ser comprendidos para obtener los
mejores resultados. En este capítulo se explicará varias formas en que se
puede usar Python para comprender mejor los datos de Machine Learning.
En este capítulo se aprenderás:
1. Verificar los datos en bruto.

2. Revisar las dimensiones del conjunto de datos.
3. Revisar los tipos de datos de las características.
4. Verificar la distribución de características entre las clases en el
conjunto de datos.
5. Verificar los datos utilizando estadísticas descriptivas.
6. Comprender las relaciones en los datos utilizando
correlaciones.
7. Revisar el sesgo de las distribuciones de cada característica.
Para implementar cada uno de estos ítems se utilizará el conjunto de

datos con el que se trabajo en el anterior capítulo correspondiente a la
diabetes de los indios Pima.
VERIFICAR LOS DATOS

Mirar los datos en bruto puede revelar información que no se puede
obtener de otra manera. También puede mostrar formas que luego pueden
convertirse en ideas sobre cómo procesar mejor y manejar los datos para
tareas de Machine Learning.
Para visualizar las primeras 5 filas de los datos se utiliza la función

head() de Pandas DataFrame.
Resultado una vez ejecutado el código anterior:
DIMENSIONANDO LOS DATOS

Para trabajar en Machine Learning se debe tener un buen control sobre la
cantidad de datos que se tiene, conociendo la cantidad de filas y de
columnas.
☐ Si se tiene demasiadas filas, algunos algoritmos pueden tardar

demasiado en entrenar. En cambio, si se tiene muy pocos, de repente
no sean suficientes datos para entrenar los algoritmos.
☐ Si se tiene demasiadas características, algunos algoritmos pueden
distraerse o sufrir un rendimiento deficiente debido a la
dimesionalidad.
Para conocer la forma y el tamaño del conjunto de datos utilizamos la

propiedad shape de Pandas.
El resultado de este código representa el número de filas y luego las

columnas. Por lo tanto, el conjunto de datos cuenta con 768 filas y 9
columnas.
TIPOS DE DATOS
Conocer el tipo de dato de cada característica es importante. Conociendo
esta información se puede hacer una idea si se deban convertir los datos
originales en otros formatos para que sean más fácil su implementación
junto a los algoritmos de Machine Learning.
Para conocer los tipos de datos se puede implementar la función dtypes

de Pandas, de esta forma se puede conocer el tipo de datos de cada
característica que forma parte del conjunto de datos.
El resultado es una lista con cada una de las columnas del conjunto de
datos, en donde se específica el tipo de datos que se maneja.
DESCRIPCIÓN ESTADÍSTICA
La descripción estadística se refiere a la información que se puede
obtener de los datos referentes a propiedades estadísticas de cada
característica. Para implementarlo solamente se debe utilizar la función
describe() de Pandas, y las propiedades que devuelve son las siguientes:
☐ Conteo
☐ Media
☐ Desviación estándar
☐ Valor mínimo
☐ 25%
☐ 50%
☐ 75%
☐ Valor máximo
Como se puede observar devuelve mucha información del conjunto de

datos, pero lo importante de acá es verificar si todas las cantidades de datos
coinciden, de esta forma se puede saber si hay o no datos perdidos.
DISTRIBUCIÓN DE CLASES (PROBLEMAS DE

CLASIFICACIÓN)
En caso de que se este trabajando con un problema de clasificación,
como es el caso actual, se debe conocer qué tan equilibrados están los
valores de clases. Cuando los problemas se encuentran altamente
desequilibrados (muchas más observaciones para una clase que para otra) se
requieren un tratamiento especial al momento de realizar el procesamiento
de los datos. Para conocer esta información se puede implementar una
función de Pandas, groupby junto con la columna Class del conjunto de
datos con el que se esta trabajando.
La clase 0 corresponde a las personas no diabéticas mientras que la clase

1 corresponden a las mujeres que tienen la enfermedad.
CORRELACIÓN ENTRE CARACTERÍSTICAS

La correlación se refiere a la relación entre dos variables y cómo pueden
o no cambiar juntas. Para implementar esto se debe indicar el método a
utilizar, el más común es el coeficiente de correlación de Pearson, que asume
una distribución normal de los atributos involucrados. Si la correlación se
encuentra entre -1 o 1 muestra una correlación negativa o positiva completa,
respectivamente. Mientras que un valor de 0 no muestra ninguna correlación
en absoluto. Para calcular una matriz de correlación se utiliza la función
corr().
Algunos algoritmos de Machine Learning, como regresión lineal y

logística, pueden sufrir un rendimiento deficiente si existen atributos
altamente correlacionados en el conjunto de datos.
CONSIDERACIONES ADICIONALES
Los puntos acá tratados son solamente algunos consejos que se deben
considerar al momento de revisar los datos, adicionalmente a estos, se debe
tomar en consideración lo siguiente:
☐ Repasar los números. Generar la descripción estadística no es

suficiente. Se debe tomar un tiempo para leer y entender muy bien
los números que se está viendo.
☐ Al ver los números se debe entender muy bien cómo y por qué se
están viendo estos números específicos, cómo se relacionan con el
dominio del problema en general, lo importante acá es hacerse
pregunta y conocer muy bien de qué se trata la información que nos
presenta el conjunto de datos.
☐ Es aconsejable escribir todas las observaciones que se obtengan o
ideas que surjan al momento de analizar los datos. En ocasiones esta
información será muy importante cuando se este tratando de idear
nuevas cosas para probar.
Capítulo 6
Como se explico en el anterior capítulo se debe entender los datos para

obtener buenos resultados al momento de implementar los algoritmos de
Machine Learning. Otra forma de aprender de los datos es implementando la
visualización de los mismos.
1. Graficar con una sola variable

2. Graficar con múltiples variables
GRÁFICAR CON UNA SOLA VARIABLES

Las gráficas con una sola variable son útiles para comprender cada
característica del conjunto de datos de forma independiente. Acá se
explicarán las siguientes:
☐ Histogramas
☐ Diagrama de cajas o Box Plot
Histograma
Una forma rápida de tener una idea de la distribución de cada atributo es

observar los histogramas. Estos son utilizados para presentar la distribución
y las relaciones de una sola variable en un conjunto de características. Los
histogramas agrupan los datos en contenedores y de la forma de los mismos,
se puede obtener rápidamente una idea de si un atributo es gaussiano,
sesgado o inclusive tiene una distribución exponencial. Inclusive puede
ayudar a determinar si hay posibles valores atípicos.
Diagramas de cajas o Box Plot
Otra forma de revisar la distribución de cada atributo es usar los

diagramas de cajas. Esto resume la distribución de cada atributo, trazando
una línea para la mediana o valor medio y un cuadro alrededor de los
percentiles 25 y 75.

información:
http://bit.ly/2XgTTOg
GRÁFICAR CON VARIAS VARIABLES

Esta sección proporciona ejemplo de un gráfico que muestra las
interacciones entre múltiples variables en el conjunto de datos:
☐ Matriz de correlación
Matriz de correlación
La correlación presenta una indicación de qué tan relacionados están los

cambios entre dos variables. La correlación positiva se refiere a cuando dos
variables cambian en la misma dirección. En cambio, la correlación es
negativa cuando cambian en direcciones opuestas, una sube y la otra baja. La
matriz de correlación se refiere a la correlación entre cada par de atributos,
de esta forma se puede verificar qué variables tienen una alta correlación.
Si se analiza la matriz, ésta es simétrica, es decir, la parte inferior

izquierda de la matriz es la misma que la superior derecha. Esto es útil ya
que podemos ver dos vistas diferentes en los mismos datos en una gráfica.

información:
http://bit.ly/2XgTTOg
Capítulo 7
El procesamiento de los datos es un paso fundamental en cualquier

problema de Machine Learning, debido a que los algoritmos hacen
suposiciones sobre los datos, por lo que los mismos deben estar presentados
de manera correcta.
En este capítulo aprenderás a cómo preparar los datos para Machine

Learning en Python utilizando scikit-learn:
1. Estandarizar los datos

2. Normalizar los datos
3. Eliminación de columnas

En este capítulo se explicará varias formas para el procesamiento de
datos para Machine Learning. El conjunto de datos que se utilizará será el
de la diabetes de los indios Pima.
Antes de empezar el procesamiento de los datos es recomendable separar

el conjunto de datos con las variables de entrada y salida o, como también se
le conoce, las variables independientes y dependientes.
Observando el conjunto de datos con el que se ha venido trabajando, la

variable de salida o dependiente vendría siendo la columna “Outcome”,
debido a que en esta se refleja si la persona tiene diabetes o no.
Definido esto se procede a realizar la separación de los datos, creando la

variable “X” para los datos de entrada o independientes y la variable “y”
para la columna correspondiente a “Outcome”.
Para el procesamiento de datos se hará solamente para el conjunto

correspondiente a la variable “X”, los datos de entrada o independientes. Los
datos de la variable “y” no se le hará ningún procedimiento.
ESTANDARIZACIÓN DE LOS DATOS

La estandarización de los datos es un requisito común para muchos
estimadores de Machine Learning, esto se debe a que los algoritmos se
pueden comportar mal si las características individuales no se parecen más o
menos a los datos estándar normalmente distribuidos.
Para cumplir con este procedimiento se utiliza la función StandardScaler

de la librería scikit-learn y se aplica, en este caso a todos los datos del
conjunto de datos “X”.
Nota: al ejecutar este código probablemente salga un error, el mensaje

lo que indica es que todos los datos del tipo entero y flotante han sido
convertidos en flotante para poder implementar la instrucción
StandardScaler.
Como se puede observar al ejecutar el código genera una matriz del tipo
NumPy con los datos estandarizados, en caso de que se quieran convertir los
datos en DataFrame de Pandas se debe ejecutar las siguientes líneas de
código adicionales.

información:
http://bit.ly/2Hjq2f4
http://bit.ly/2H63A9R
NORMALIZACIÓN DE LOS DATOS

Normalizar los datos se refiere a cambiar la escala de los datos de la
característica para que tengan una longitud de 1. Este método de
procesamiento puede ser útil para conjuntos de datos dispersos (muchos
ceros) con atributos de diferentes escalas.
Para implementar este método se utiliza la clase Normalizer de la librería

scikit-learn.
Igual que en el caso anterior, al ejecutar el código genera una matriz del
tipo NumPy con los datos normalizados, en caso de que se quieran convertir
los datos en DataFrame de Pandas se debe ejecutar las siguientes líneas de
código adicionales.

información:
ELIMINACIÓN DE COLUMNAS
Otra forma de procesar los datos es eliminando columnas con datos que
no son necesarios para el análisis. La función a utilizar para cumplir con esta
forma es drop, junto con el nombre de la columna a eliminar.
Para realizar la respectiva prueba se eliminará la columna

“BloodPressure” del conjunto de datos con el que se está trabajando.

información:
Capítulo 8
Las características de datos que se utiliza para entrenar los modelos de

Machine Learning tienen una gran influencia en el rendimiento que puede
lograr. Las características irrelevantes o parcialmente relevantes pueden
afectar negativamente el rendimiento del modelo. En este capítulo, se
describirán las técnicas de selección automática de características que
pueden ser utilizadas para preparar los datos.
1. Método de filtro
2. Método de envoltura
3. Métodos integrados
IMPORTANCIA DE LAS CARACTERÍSTICAS

Los conjuntos de datos en ocasiones pueden ser pequeños mientras que
otros son extremadamente grandes en tamaño, en especial cuando cuentan
con un gran número de características, ocasionando que sean muy difícil de
procesar.
Cuando se tiene este tipo de conjuntos de datos de alta dimensión y se

utilizan todas para la creación de modelos de Machine Learning puede
ocasionar:
☐ Las características adicionales actúan como un ruido para el cual el

modelo de Machine Learning puede tener un rendimiento
extremadamente bajo.
☐ El modelo tarda más tiempo en entrenarse.
☐ Asignación de recursos innecesarios para estas características.
Por todo esto, se debe implementar la selección de características en los
proyectos de Machine Learning.
MÉTODOS DE FILTRO
La siguiente imagen describe mejor los métodos de selección de
características basados en filtros:
Los métodos de filtro se utilizan generalmente como un paso de

procesamiento de datos, la selección de características es independiente de
cualquier algoritmo de Machine Learning.
Las características se clasifican según los puntajes estadísticos que

tienden a determinar la correlación de las características con la variable de
resultado, la correlación es un término muy contextual y varía de un trabajo
a otro.
En la siguiente tabla se puede utilizar para definir los coeficientes de

correlación para diferentes tipos de datos, en este caso, continuo y
categórico.
Correlación de Pearson: se usa como una medida para cuantificar la

dependencia lineal entre dos variables continuas X e Y, su valor varía de -1 a
+1.
LDA: el análisis discriminante lineal se usa para encontrar una

combinación lineal de características que caracteriza o separa dos o más
clases, o niveles, de una variable categórica.
ANOVA: significa análisis de la varianza y es similar a LDA, excepto

por el hecho de que opera mediante una o más funciones independientes
categóricas y una función dependiente continua. Proporciona una prueba
estadística de si las medias de varios grupos son iguales o no.
Chi-cuadrado: es una prueba estadística que se aplica a los grupos de

características categóricas para evaluar la probabilidad de correlación o
asociación entre ellos utilizando su distribución de frecuencia.
Los métodos de filtro no eliminan la multicolinealidad, por lo tanto, se

debe lidiar con ellos también antes de entrenar modelos para tus datos.
De manera practica lo explicado anteriormente, se implementará una

prueba estadística de Chi-cuadrado para características no negativas, para
seleccionar 5 de las mejoras características del conjunto de datos con el que
se ha venido trabando correspondientes a la diabetes de los indios Pima.
La librería scikit-learn proporciona la clase SelectKBest que se puede

usar con un conjunto de diferentes pruebas estadísticas para seleccionar un
número específico de funciones, en este caso, es Chi-cuadrado.
El resultado obtenido en esta parte del programa es el puntaje que tiene

cada una de las características una vez aplicado el método Chi-cuadrado. De
acuerdo a esto ya se puede definir las más importantes características que
pueden afectar el análisis con Machine Learning.
Resumiendo, los resultados obtenidos, se puede observar las 5

características elegidas, tomadas con los puntajes más altos: “Pregnancies”
(embarazos), “Glucose” (glucosa), “Insulin” (insulina), “BMI” (índice de
masa corporal), “Age” (años).
Estos puntajes ayudan a determinar las mejores características para

entrenar el modelo.

información:
http://bit.ly/2C0BojO
MÉTODOS DE ENVOLTURA
Al igual que los métodos de filtro, se muestra una gráfica en donde se
explica mejor este método:
Como se puede observar, un método de envoltura necesita un algoritmo
de Machine Learning y utiliza su rendimiento como criterio de evaluación.
Este método busca una característica que sea más adecuada para el algoritmo
y tiene como objetivo mejorar el rendimiento.
Por lo tanto, se trata de usar un subconjunto de características y se

entrena un modelo usándolo, basándose en las inferencias que se extrae del
modelo anterior, se decide agregar o eliminar características de su
subconjunto. El problema se reduce esencialmente a un problema de
búsqueda. Estos métodos suelen ser computacionalmente muy caros.
Algunos ejemplos comunes de Métodos de Envoltura son los siguientes:
Selección hacia delante (Forward Selection): es un método iterativo en

el que se comienza sin tener ninguna característica en el modelo. En cada
iteración, se sigue agregando la función que mejor mejora nuestro modelo
hasta que la adición de una nueva variable no mejore el rendimiento del
modelo.
Eliminación hacia atrás (Backward Selection): se comienza con todas

las características y se elimina la característica menos significativa en cada
iteración, lo que mejora el rendimiento del modelo. Se repite esto hasta que
no se observe ninguna mejora en la eliminación de características.
Eliminación de características recursivas (Recursive Feature

Elimination): es un algoritmo de optimización que busca encontrar el
subconjunto de funciones con mejor rendimiento. Crea repetidamente
modelos y deja de lado la mejor o la peor característica de rendimiento en
cada iteración. Construye el siguiente modelo con las características de la
izquierda hasta que se agotan todas las características, luego clasifica las
características según el orden de su eliminación.
Aplicando esta teoría al conjunto de datos que se ha trabajado hasta los

momentos, se aplicará el método de la eliminación de características
recursivas junto con el algoritmo de regresión logística.
Para este método se eligió las 4 funciones principales y el resultado fue

el siguiente: “Pregnancies” (embarazos), “Glucose” (glucosa), “BMI”
(índice de masa corporal) y “DiabetesPedigreeFunction” (función pedigrí de
la diabetes).
Como se puede observar estos datos se encuentran marcadas como

Verdaderos (True) en la matriz de características seleccionadas y como 1 en
la matriz de clasificación de características.

información:
MÉTODOS INTEGRADOS
Combina las cualidades de los métodos de filtro y envoltura. Se
implementa mediante algoritmos que tienes sus propios métodos de
selección de características incorporados.
Algunos de los ejemplos más populares de estos métodos son la

regresión LASSO y RIDGE, que tienen funciones de penalización
incorporadas para reducir el sobreajuste.
información:
Capítulo 9
ALGORITMOS DE CLASIFICACIÓN
Al desarrollar un proyecto de Machine Learning no se puede saber de

antemano qué algoritmos son los más adecuados para el problema, se debe
probar varios métodos y centrar la atención en aquellos que demuestran ser
los más prometedores. En este capítulo, se explicará cómo implementar los
algoritmos de Machine Learning que puede utilizarse para resolver
problemas de clasificación en Python con scikit-learn.
En este capítulo aprenderás cómo implementar los siguientes algoritmos:
1. Regresión logística
2. K Vecinos más cercanos
3. Máquinas de vectores de soporte
4. Naive bayes
5. Árboles de decisión clasificación
6. Bosques aleatorios clasificación
Para este análisis se tomará el conjunto de datos de diabetes de los

indios Pima. De igual forma, se asume que se conoce la parte teórica de
cada algoritmo de Machine Learning y cómo usarlos, no se explicará la
base ni la parametrización de cada algoritmo.
REGRESIÓN LOGÍSTICA
La Regresión Logística es un método estadístico para predecir clases
binarias. El resultado o variable objetivo es de naturaleza dicotómica.
Dicotómica significa que solo hay dos clases posibles. Por ejemplo, se puede
utilizar para problemas de detección de cáncer o calcular la probabilidad de
que ocurra un evento.
La Regresión Logística es uno de los algoritmos de Machine Learning
más simples y más utilizados para la clasificación de dos clases. Es fácil de
implementar y se puede usar como línea de base para cualquier problema de
clasificación binaria. La Regresión Logística describe y estima la relación
entre una variable binaria dependiente y las variables independientes.
Para implementar este algoritmo solamente se debe definirlo, realizar su

respectivo entrenamiento junto a los datos de entrenamiento y se realiza una
predicción.
K - VECINOS MÁS CERCANOS

K vecinos más cercanos es un algoritmo de aprendizaje no paramétrico,
esto significa que no hace suposiciones para la distribución de datos
subyacentes. En otras palabras, la estructura del modelo es determinada a
partir del conjunto de datos. Esto es muy útil en la práctica donde la mayoría
de los conjuntos de datos del mundo real no siguen suposiciones teóricas
matemáticas.
El algoritmo necesita todos los datos de entrenamiento y son utilizados

en la fase de prueba. Esto hace que la capacitación sea más rápida y la fase
de prueba más lenta y costosa. Lo costoso se refiere a que se requiere tiempo
y memoria. En el peor de los casos, K vecinos más cercanos necesita más
tiempo para escanear todos los puntos de datos y escanear todos los puntos
de datos requerirá más memoria para almacenar datos de entrenamiento.
Como se puede observar acá simplemente se debe definir el algoritmo,

entrenar el modelo con los datos de entrenamiento y realizar una predicción.
MÁQUINAS DE VECTORES DE SOPORTE

Las máquinas de vectores de soporte buscan la línea que mejor separa
dos clases. Las características de datos que están más cerca de la línea que
mejor separa las clases se denominan vectores de soporte e influyen en la
ubicación de la línea. De particular importancia es el uso de diferentes
funciones del kernel a través del parámetro del kernel.
Para este algoritmo, de igual forma, se debe definir el modelo, entrenarlo

y realizar una predicción.
BAYESIANO INGENUO (NAIVE BAYES)

Naive Bayes es una técnica de clasificación estadística basada en el
teorema de Bayes. Es uno de los algoritmos de Machine Learning más
simple. Es un algoritmo rápido, preciso y fiable, inclusive tiene una alta
precisión y velocidad en grandes conjuntos de datos.
Igual que los casos anteriores, para este algoritmo se define el algoritmo
a implementar, seguidamente se entrena utilizando los datos de
entrenamiento y finalmente se realiza una predicción, bien sea con los datos
de prueba o con nueva data.
ÁRBOLES DE DECISIÓN CLASIFICACIÓN

Árbol de decisión es un tipo de algoritmo de aprendizaje supervisado que
se utiliza principalmente en problemas de clasificación, aunque funciona
para variables de entrada y salida categóricas como continuas.
En esta técnica, se divide la data en dos o más conjuntos homogéneos

basados en el diferenciador más significativos en las variables de entrada. El
árbol de decisión identifica la variable más significativa y su valor que
proporciona los mejores conjuntos homogéneos de población. Todas las
variables de entrada y todos los puntos de división posibles se evalúan y se
elige la que tenga mejor resultado.
Los algoritmos de aprendizaje basados en árbol se consideran uno de los

mejores y más utilizados métodos de aprendizaje supervisado. Los métodos
basados en árboles potencian modelos predictivos con alta precisión,
estabilidad y facilidad de interpretación. A diferencia de los modelos
lineales, mapean bastante bien las relaciones no lineales.
Para implementar este algoritmo solamente se debe definirlo, realizar su

respectivo entrenamiento junto a los datos de entrenamiento y realizamos
una predicción.
BOSQUES ALEATORIOS CLASIFICACIÓN

Bosques aleatorios clasificación es un método versátil de Machine
Learning. Lleva a cabo métodos de reducción dimensional, trata valores
perdidos, valores atípicos y otros pasos esenciales de exploración de datos, y
hace un trabajo bastante bueno. Es un tipo de método de aprendizaje por
conjuntos, donde un grupo de modelos débiles se combinan para formar un
modelo poderoso.
En los boques aleatorios se cultivan varios árboles en lugar de un solo

árbol. Para clasificar un nuevo objeto basado en atributos, cada árbol da una
clasificación y se dice que el árbol “vota” por esa clase. El bosque elige la
clasificación con más votos, sobre todos los árboles en el bosque.
Este algoritmo no es distinto a los anteriores, acá se define el algoritmo,

se entrena el modelo y se realiza la predicción respectiva.
Todos los algoritmos se pueden configurar definiendo ciertos parámetros
para mejorar el rendimiento del modelo. Todos estos parámetros se
encuentran definidos en la librería scikit-learn.
Capítulo 10
MÉTRICAS DE RENDIMIENTO ALGORITMOS DE
CLASIFICACIÓN
Para los problemas de clasificación de Machine Learning se cuentan con

una gran cantidad de métricas que se pueden usar para evaluar las
predicciones de estos problemas. En esta sección se explicará cómo
implementar varias de estas métricas.
1. Matriz de confusión
2. Reporte de clasificación
3. Área bajo la curva
MATRIZ DE CONFUSIÓN
La matriz de confusión es una de las métricas más intuitivas y sencillas
que se utiliza para encontrar la precisión y exactitud del modelo. Se utiliza
para el problema de clasificación donde la salida puede ser de dos o más
tipos de clases.
Identificado el problema la matriz de confusión, es una tabla con dos

dimensiones, “actual” y “predicción” y conjuntos de clases en ambas
dimensiones. Las filas de la matriz indican la clase observada o real y las
columnas indican las clases predicha.
Se debe aclarar que la matriz de confusión en sí misma no es una medida

de rendimiento como tal, pero casi todas las métricas de rendimiento se
basan en ella y en los números que contiene.
A continuación, se muestra un ejemplo del cálculo de una matriz de

confusión para el conjunto de datos correspondiente a la diabetes de los
indios Pima utilizando como algoritmo Regresión Logística.
La matriz de confusión nos arroja como resultado que la mayoría de las

predicciones caen en la línea diagonal principal de la matriz, siendo estas
predicciones correctas.

información:
http://bit.ly/2LQkSet
REPORTE DE CLASIFICACIÓN
La librería scikit-learn proporciona un informe muy conveniente cuando
se trabaja en problemas de clasificación, este da una idea rápida de la
precisión de un modelo utilizando una serie de medidas. La función
classification_report() muestra la precisión, la sensibilidad, la puntuación F1
y el soporte para cada clase.
En el siguiente ejemplo se muestra la implementación de la función en

un problema.

información:
http://bit.ly/2MfsS8J
http://bit.ly/2ETCL60
ÁREA BAJO LA CURVA

Cuando se trata de un problema de clasificación, se puede contar con una
curva AUC-ROC, para medir el rendimiento. Esta es una de las métricas de
evaluación más importante para verificar el rendimiento de cualquier modelo
de clasificación. ROC viene de las características de funcionamiento del
receptor y AUC del área bajo la curva.
El valor obtenido es relativamente cercano a 1 y mayor a 0.5, lo que

sugiere que gran parte de las predicciones realizadas han sido correctas.

información:
http://bit.ly/2MfsS8J
http://bit.ly/2ETCL60
Capítulo 11
ALGORITMOS DE REGRESIÓN
La comprobación de puntos es una forma de descubrir qué algoritmos

funcionan bien en los problemas de Machine Learning. Es difícil saber con
anterioridad qué algoritmo es el más adecuado a utilizar, por lo que se debe
comprobar varios métodos y centrar la atención en aquellos que demuestran
ser los más prometedores. En este capítulo se explicará cómo implementar
los algoritmos de regresión utilizando Python y scikit-learn a los problemas
de regresión.
En este capítulo aprenderás cómo implementar los siguientes algoritmos:
1. Regresión lineal
2. Regresión polinomeal
3. Vectores de soporte regresión
4. Árboles de decisión regresión
5. Bosques aleatorios regresión
Para este análisis se tomará el conjunto de datos de publicidad que

puedes encontrar en la página de Kaggle como “Advertising Data”. De
igual forma, se asume que se conoce la parte teórica de cada algoritmo de
Machine Learning y cómo usarlos, no se explicará la base ni la
parametrización de cada algoritmo.
REGRESIÓN LINEAL
La regresión lineal es una técnica paramétrica utilizada para predecir
variables continuas, dependientes, dado un conjunto de variables
independientes. Es de naturaleza paramétrica porque hace ciertas
suposiciones basadas en el conjunto de datos. Si el conjunto de datos sigue
esas suposiciones, la regresión arroja resultados increíbles, de lo contrario,
tiene dificultades para proporcionar una precisión convincente.
Como se puede observar acá simplemente se debe definir el algoritmo,

entrenar el modelo con los datos de entrenamiento y realizar una predicción.

información:
http://bit.ly/2RpwDGK
http://bit.ly/2Su2aHM
REGRESIÓN POLINOMEAL
La regresión polinomial es un caso especial de la regresión lineal,
extiende el modelo lineal al agregar predictores adicionales, obtenidos al
elevar cada uno de los predictores originales a una potencia. El método
estándar para extender la regresión lineal a una relación no lineal entre las
variables dependientes e independientes, ha sido reemplazar el modelo lineal
con una función polinomial.
Para este algoritmo se debe realizar un paso adicional, antes de definir el

modelo, primeramente, se debe definir el grado del polinomio y transformar
los datos correspondientes a X. Realizado todo esto ahora si se puede definir
el modelo, entrenarlos y finalmente realizar una predicción.

información:
http://bit.ly/2H889RX
VECTORES DE SOPORTE REGRESIÓN
Los vectores de soporte regresión utiliza los mismos principios que los
de clasificación, con solo algunas diferencias menores. En primer lugar,
dado que la salida es un número real, se vuelve muy difícil predecir la
información disponible, que tiene infinitas posibilidades, sin embargo, la
idea principal es siempre la misma: minimizar el error, individualizar el
hiperplano que maximiza el margen, teniendo en cuenta que se tolera parte
del error.
Para este algoritmo, de igual forma, se debe definir el modelo, entrenarlo

y realizar una predicción. Para este conjunto de datos se realiza,
previamente, un escalamiento en los datos ya que el modelo no era del todo
efectivo con los datos originales.
información:
http://bit.ly/2CY3xbH
http://bit.ly/2TEDkG2
ÁRBOLES DE DECISIÓN REGRESIÓN

Los árboles de decisión son una técnica de aprendizaje supervisado que
predice valores de respuestas mediante el aprendizaje de reglas de decisión
derivadas de características.
Los árboles de decisión funcionan al dividir el espacio de la

característica en varias regiones rectangulares simples, divididas por
divisiones paralelas de ejes. Para obtener una predicción para una
observación particular, se utiliza la media o el modo de las respuestas de las
observaciones de entrenamiento, dentro de la partición a la que pertenece la
nueva observación.

Igual que los casos anteriores, para este algoritmo se define el algoritmo
a implementar, seguidamente se entrena utilizando los datos de
entrenamiento y finalmente se realiza una predicción, bien sea con los datos
de prueba o con nueva data.

información:
http://bit.ly/2tHfP3U
http://bit.ly/2tStiGi
BOSQUES ALEATORIOS REGRESIÓN

Los bosques aleatorios es un algoritmo de aprendizaje supervisado que,
como ya se puede ver en su nombre, crea un bosque y lo hace de alguna
manera aleatorio. Para decirlo en palabras simples: el bosque aleatorio crea
múltiples árboles de decisión y los combina para obtener una predicción más
precisa y estable. En general, mientras más árboles en el bosque se vea, más
robusto es el bosque.
En este algoritmo se agrega aleatoriedad adicional al modelo, mientras

crece los árboles, en lugar de buscar la característica más importante al
dividir un nodo, busca la mejor característica entre un subconjunto aleatorio
de características. Esto da como resultado una amplia diversidad que
generalmente resulta en un mejor modelo.

Este algoritmo no es distinto a los anteriores, acá se define el algoritmo,
se entrena el modelo y se realiza la predicción respectiva.

información:
http://bit.ly/2FTuYoA
http://bit.ly/2PhGwpT
Recuerda que este algoritmo, al igual que los anteriores, se puede

configurar definiendo ciertos parámetros para mejorar el rendimiento del
modelo. Todos estos parámetros se encuentran definidos en la librería scikit-
learn.
Capítulo 12
MÉTRICAS DE RENDIMIENTO ALGORITMOS DE
REGRESIÓN
En este capítulo se revisará las métricas más comunes para evaluar las
predicciones sobre problemas de Machine Learning de regresión.
1. Error cuadrático medio

2. Error absoluto medio
3.
ERROR CUADRÁTICO MEDIO (RMSE)

La métrica más comúnmente utilizada para las tareas de regresión es el
error cuadrático medio y representa a la raíz cuadrada de la distancia
cuadrada promedio entre el valor real y el valor pronosticado.
Indica el ajuste absoluto del modelo a los datos, cuán cerca están los
puntos de datos observados de los valores predichos del modelo. El error
cuadrático medio o RMSE es una medida absoluta de ajuste.

El mejor valor para este parámetro es de 0.0.

información:
http://bit.ly/2TzzKNY
ERROR ABSOLUTO MEDIO (MAE)

El error absoluto medio es el promedio de la diferencia absoluta entre los
valores predichos y el valor observado. Es un puntaje lineal, lo que significa
que todas las diferencias individuales se ponderan por igual en el promedio.
Para este parámetro un valor de 0.0 indica que no hay error, es decir las
predicciones son perfectas.

información:
indica la bondad o la aptitud del modelo, a menudo se utiliza con

fines descriptivos y muestra que también las variables independientes
seleccionadas explican la variabilidad en sus variables dependiente.
La mejor puntuación posible es 1.0 y puede ser negativa, porque el

modelo puede ser arbitrariamente peor. Un modelo constante que siempre
predice el valor esperado de “y”, sin tener en cuenta las características de
entrada, obtendrá una puntuación de 0.0.

información:
Capítulo 13
PROYECTO DE MACHINE LEARNING - CLASIFICACIÓN
En este capítulo se desarrollará un proyecto de clasificación utilizando

Python, se incluye cada paso del proceso de Machine Learning aplicado al
problema.
1. Cómo trabajar a través de un problema de clasificación

2. Cómo utilizar transformaciones de datos para mejorar el
rendimiento del modelo
3. Cómo implementar algoritmos de Machine Learning y
comparar sus resultados

Para el proyecto se utilizará el mismo conjunto de datos que se ha venido
trabajando durante cada uno de los capítulos, pero esta vez se desarrollará de
manera completa. El conjunto de datos es el correspondiente a los indios
Pima.
Este conjunto describe los registros médicos de los indios Pima y si cada
paciente tendrá un inicio de diabetes dentro de los cinco años. Como tal es
un problema de clasificación.
El conjunto de datos se puede encontrar en la página de Kaggle como

“Pima Indians Diabetes Database”.

El primer paso en cualquier proyecto de Machine Learning es el de
importar las librerías a utilizar. Es normal que al principio no se conozca
todas las librerías a utilizar y que se vayan agregando poco a poco, pero por
lo menos se debe comenzar con las básicas que normalmente se utilizan al
implementar cualquier proyecto de Machine Learning.
Importar las librerías se puede realizar a medida que se vaya

programando, lo que recomiendo es que se coloquen todas estas líneas de
códigos al principio del programa para que sea fácil conocer los módulos
que se están utilizando dentro del programa, así como también mantener un
orden en la programación.
Por los momentos se importarán las librerías de Pandas, NumPy y

matplotlib.

Una vez que se hayan importado las librerías ya se pueden utilizar dentro
del programa, para esto se procede a cargar el conjunto de datos.
El conjunto de datos se debe descargar directamente de la página de

Kaggle y guardarlo en el computador en una carpeta específica en donde
estará el archivo del conjunto de datos junto con el archivo del programa de
Python que se está desarrollando, de esta forma se hará más fácil la
programación.
Recuerda que para descargar los archivos de Kaggle deberás estar

suscrito en la página, esto es completamente gratis y tendrás a tu
disposición un gran número de conjuntos de datos con los que podrás
practicar más adelante.
Se debe colocar el nombre exacto del archivo en donde se encuentra el

conjunto de datos. Se recomienda guardar los datos en la misma carpeta en
donde se encuentra el archivo del programa de esta forma se mantiene un
orden.

El siguiente paso en el desarrollo de un proyecto de Machine Learning es
el de entender los datos con lo se cuenta. Para este paso se utilizan varias
funciones que se tiene disponible en la librería de Pandas.


El conjunto de datos cuentas con 9 columnas, de las cuales 8 son las
variables independientes y la última columna corresponde a la variable
dependiente. Adicionalmente todos los datos son numéricos, entre enteros y
flotantes.
Adicionalmente, los datos se encuentran balanceados por lo que no es

necesario realizar ningún paso adicional.

Una vez que se haya entendido los datos de manera numérica ahora se
analizará de manera visual utilizando la librería matplotlib. Esta librería fue
importada al inicio del programa por lo que no es necesario hacerlo
nuevamente.

Como podemos observar en las gráficas obtenidas los resultados son

muy similares a los obtenidos en el punto anterior.

Conociendo el conjunto de datos que se está trabajando dentro del
proyecto, se procede a realizar la separación de los datos en dos conjuntos, el
primero de variables independientes, X, y un segundo conjunto de variable
dependientes, y.
Se comienza separando los datos correspondientes a las variables

independientes, que vendrían siendo todas las columnas menos la última.
Seguidamente se define los variables correspondientes a y, o variable

dependiente, que vendría siendo la última columna del conjunto de datos.
Como se observo la variable X cuenta con 8 columnas, para este caso se
aplicará el procedimiento para seleccionar las 5 características que tengan
mayor influencia en la variable dependiente. Para este ejemplo se utilizará el
método de filtro.
Para implementar las funciones respectivas se deben importar las

librerías correspondientes. Se recomienda colocar estas líneas de código al
principio del programa junto al resto de librerías con la que se esta
trabajando. Esto hace que el programa sea mucho más limpio y fácil de
entender para otras personas.
Realizado esto ya se puede implementar el código respectivo.
Las 5 características que tienen mayor impacto para la variable

dependiente son las siguientes:
Columna 0 – pregnancies
Columna 1 – glucose
Columna 4 – insulin
Columna 5 – bmi
Columna 7 – age
Por lo tanto, se convierte ahora las variables X con solo estas 5
columnas.

Definido los valores de X que se utilizaran en los algoritmos, ahora se
procede a realizar el respectivo procesamiento de los datos.
Para este caso solamente se estandarizarán los datos, ya que los mismos
se encuentran en distintas escalas y esto puede ocasionar errores en el
análisis.
Antes de aplicar la función se debe importar la respectiva librería.

Recuerda colocar esta línea de código al principio del programa.
Ahora se realiza la estandarización de los datos, es importante mencionar

que este procedimiento solamente se realiza a los datos correspondientes a X
solamente.

Se llega al último paso antes de implementar los algoritmos de Machine
Learning, este es el correspondiente al de separar los datos en entrenamiento
y prueba, para esto se utiliza la función train_test_split de la librería scikit-
learn, recuerda que se debe importar antes de usarla.
Se utilizará solamente un 25% del conjunto de datos como datos de
prueba, por lo que se coloca en el tamaño de la prueba 0.25.
APLICACIÓN DE LOS ALGORITMOS DE CLASIFICACIÓN

Se implementarán los algoritmos explicados con anterioridad y se
evaluará los resultados con respecto al error de cada uno de ellos.
Regresión Logística
El primer algoritmo a evaluar es el más básico de todos y es el de

Regresión Logística.

Los anteriores datos es la representación de los datos de pruebas,
originales, con los datos obtenidos por el modelo. A continuación, se realiza
el análisis respectivo con las métricas correspondientes a los algoritmos de
clasificación.
La primera métrica a evaluar será la de la matriz de confusión, para ello

primero se importará la librería y posteriormente la función.
Los resultados obtenidos acá son bastante satisfactorios, ya que el

modelo pudo obtener unos buenos resultados.
Ahora se evalúa los resultados, pero esta vez utilizando el reporte de

clasificación disponible en la librería scikit-learn.
En este reporte se puede evidenciar que el porcentaje de precisión,

sensibilidad y puntaje F1 del modelo rondan alrededor de 0.8, número que es
muy bueno.
K Vecinos más Cercanos
El siguiente algoritmo a evaluar será el de K vecinos más cercanos, acá

se realizará el mismo procedimiento que se realizó anteriormente.
Realizado todo este procedimiento se continúa evaluando el modelo,

para ello se aplica las dos métricas que se utilizo con el anterior,
primeramente, la matriz de confusión.
Y posteriormente se obtiene el reporte de clasificación.

Como se puede observar los resultados obtenidos acá son un poco

mejores que los obtenidos con el anterior algoritmo.
Máquinas de Vectores de Soporte
Ahora se evaluará el algoritmo de máquinas de vectores de soporte, el

procedimiento es muy similar a los otros algoritmos evaluados
anteriormente.
Igual que en los casos anteriores, se evalúa el modelo obtenido por

medio de la matriz de confusión y el reporte de clasificación.
Naive Bayes
El siguiente algoritmo a evaluar será el de naive bayes o como se le

conoce en español, el bayesiano ingenuo.

Definido el modelo, se verifica el error del mismo, para ello se utiliza la
función de la matriz de confusión y el reporte de clasificación.
Árboles de Decisión Clasificación
Para evaluar el problema implementando el algoritmo de árboles de

decisión clasificación se realiza el siguiente procedimiento.
Se evalúa el error implementando la matriz de confusión y obteniendo el

reporte de clasificación.
Bosques Aleatorios Clasificación

Finalmente, se evalúa el último algoritmo explicado, bosques aleatorios
clasificación.
Se implementa, a continuación, las funciones para evaluar el algoritmo,

igual que anteriormente se utiliza la matriz de confusión y el reporte de
clasificación.

Como se puede observar, los algoritmos evaluados obtuvieron unos
resultados muy parecidos unos con otros.
En estos casos se selecciona el algoritmo que sea mucho más rápido y

fácil de implementar, que sería Regresión Logística.
No todos los casos son así, en ocasiones cuando se está trabajando con
un problema de clasificación, los resultados, después de implementar varios
algoritmos, son distintos entre ellos, por lo que acá se selecciona el
algoritmo con el que se obtengan los mejores resultados.
Capítulo 14
PROYECTO DE MACHINE LEARNING - REGRESIÓN
En este capítulo se desarrollará un proyecto de regresión utilizando Python,

se incluye cada paso del proceso de Machine Learning aplicado al problema.
1. Cómo trabajar a través de un problema de regresión

2. Cómo utilizar transformaciones de datos para mejorar el
rendimiento del modelo
3. Cómo implementar algoritmos de Machine Learning y
comparar sus resultados

Para el proyecto se utilizará el mismo conjunto de datos que se utilizó
para explicar los algoritmos de regresión, pero esta vez se desarrollará de
manera completa. El conjunto de datos es el correspondiente a los anuncios
de publicidad.
El conjunto de datos se puede encontrar en la página de Kaggle como

“Advertising Data”.

El primer paso en cualquier proyecto de Machine Learning es el de
importar las librerías a utilizar. Es normal que al principio no se conozca
todas las librerías a utilizar y que se vayan agregando poco a poco, pero por
lo menos se debe comenzar con las básicas que normalmente se utilizan al
implementar cualquier proyecto de Machine Learning.
Importar las librerías se puede realizar a medida que se vaya
programando, lo que recomiendo es que se coloquen todas estas líneas de
códigos al principio del programa para que sea fácil conocer los módulos
que se están utilizando dentro del programa, así como también mantener un
orden en la programación.
Por los momentos se importarán las librerías de Pandas y matplotlib.

Una vez que se hayan importado las librerías ya se pueden utilizar dentro
del programa, para esto se procede a cargar el conjunto de datos.
El conjunto de datos se debe descargar directamente de la página de

Kaggle y guardarlo en el computador en una carpeta específica en donde
estará el archivo del conjunto de datos junto con el archivo del programa de
Python que se está desarrollando, de esta forma se hará más fácil la
programación.
Recuerda que para descargar los archivos de Kaggle deberás estar

suscrito en la página, esto es completamente gratis y tendrás a tu
disposición un gran número de conjuntos de datos con los que podrás
practicar más adelante.
Se debe colocar el nombre exacto del archivo en donde se encuentra el

conjunto de datos. Se recomienda guardar los datos en la misma carpeta en
donde se encuentra el archivo del programa de esta forma se mantiene un
orden.

El siguiente paso en el desarrollo de un proyecto de Machine Learning es
el de entender los datos con lo se cuenta. Para este paso se utilizan varias
funciones que se tiene disponible en la librería scikit-learn.

El conjunto de datos cuentas con 5 columnas, de las cuales 4 son las

variables independientes y la última columna corresponde a la variable
dependiente.
Detallando los datos se puede observar que la primera columna es de

numeración por lo que se puede descartar cuando se haga la separación de
los datos.
Se puede observar que todo el código de programación utilizado hasta

acá es exactamente igual al del problema de clasificación desarrollado en el
anterior capítulo.

Una vez que se haya entendido los datos de manera numérica ahora se
analizará de manera visual utilizando la librería matplotlib. Esta librería fue
importada al inicio del programa por lo que no es necesario hacerlo
nuevamente.

Como podemos observar en las gráficas obtenidas los resultados son
muy similares a los obtenidos en el punto anterior.
Se puede observar que todo el código de programación utilizado hasta

acá es exactamente igual al del problema de clasificación desarrollado en el
anterior capítulo.

Conociendo el conjunto de datos que se está trabajando dentro del
proyecto, se procede a realizar la separación de los datos en dos conjuntos, el
primero de variables independientes, X, y un segundo conjunto de variable
dependientes, y.
Se comienza separando los datos correspondientes a las variables

independientes, que vendrían siendo todas las columnas menos la primera y
la última.
La primera columna se elimina porque contiene la numeración de los

filas, información que no influye para el análisis de Machine Learning.

Seguidamente se define los variables correspondientes a y, o variable
dependiente, que vendría siendo la última columna del conjunto de datos.
Para este problema no es necesario la selección de características ya

que cuenta con muy pocas, por lo que este paso se va a obviar.
De igual forma los datos se encuentran adecuados para ser utilizados

dentro de los algoritmos de Machine Learning, por lo que no es necesario
realizar un procesamiento a los mismos.

Se llega al último paso antes de implementar los algoritmos de Machine
Learning, este es el correspondiente al de separar los datos en entrenamiento
y prueba, para esto se utiliza la función train_test_split de la librería scikit-
learn, recuerda que se debe importar antes de usarla.
Se utilizará solamente un 25% del conjunto de datos como datos de
prueba, por lo que se coloca en el tamaño de la prueba 0.25.
APLICACIÓN DE LOS ALGORITMOS DE REGRESIÓN

Se implementarán los algoritmos explicados con anterioridad y se
evaluará los resultados con respecto al error de cada uno de ellos.
Regresión Lineal
El primer algoritmo a evaluar es el más básico de todos y es el de

Regresión Lineal.
Los anteriores datos es la representación de los datos de pruebas,

originales, con los datos obtenidos por el modelo. A continuación, se realiza
el análisis respectivo con las métricas correspondientes a los algoritmos de
regresión.
La primera métrica a evaluar será el error cuadrático medio, para ello

primero se importará la librería y posteriormente la función.
Los resultados obtenidos acá son bastante satisfactorios, recuerdo que si

el valor está más cercano a 0 quiere indicar que el modelo es bueno.
Ahora se evalúa los resultados, pero esta vez utilizando la métrica ,

importando primero la función en scikit-learn para luego implementarla.
Esta métrica, a diferencia a la anterior, entre más cerca este el resultado a

1 es un muy buen modelo, por lo que el resultado obtenido indica que el
modelo desarrollado es bueno.
Regresión Polinomial
El siguiente algoritmo a evaluar será el de regresión polinomial, acá se

realizará el mismo procedimiento que se realizó anteriormente.
Realizado todo este procedimiento se continúa evaluando el modelo,

para ello se aplica las dos métricas que se utilizo con el anterior,
primeramente, el error cuadrático medio.
Y posteriormente se obtiene la métrica .

Como se puede observar los resultados obtenidos acá son muy parecidos
al anterior modelo.
Vectores de Soporte Regresión
Ahora se evalúa el algoritmo de vectores de soporte regresión, el

procedimiento es muy similar a los otros algoritmos evaluados
anteriormente.
Igual que en los casos anteriores, se evalúa el modelo obtenido por

medio del error cuadrático medio y la métrica .

Si se observa los resultados de las métricas de evaluación no son para

nada buenos, por lo que se puede deducir que este no es el mejor algoritmo
para este conjunto de datos.
Árboles de Decisión Regresión
El siguiente algoritmo a evaluar será el de árboles de decisión regresión.
Definido el modelo, se verifica el error del mismo, para ello se utiliza la

función del error cuadrático medio y la métrica .
Bosques Aleatorios Regresión
Para evaluar el problema implementando el algoritmo de bosques

aleatorios regresión se realiza el siguiente procedimiento.
Se evalúa el error implementando el error cuadrático medio y la métrica

.

Como se puede observar, los algoritmos evaluados obtuvieron unos

resultados muy parecidos unos con otros, exceptuando el de vectores de
soporte regresión. Esto no quiere decir que este algoritmo sea malo, sino que
simplemente no es el más adecuado para este conjunto de datos.
Se puede elegir cualquier algoritmo con el que se obtuvieron buenos

resultado, en caso de que se requiera un algoritmo que sea rápido y fácil de
implementar se puede elegir el de Regresión Lineal o el de Regresión
Polinomial.
Capítulo 15
CONTINUAR APRENDIENDO MACHINE LEARNING
En este capítulo encontrarás áreas en las que podrás practicar las nuevas
habilidades adquiridas de Machine Learning con Python.
1. Encontrar conjuntos de datos para trabajar en nuevos

proyectos
CONSTRUIR PLANTILLAS PARA PROYECTOS

A lo largo del libro, se ha explico cómo desarrollar proyectos de
Machine Learning utilizando Python. Lo explicado acá es la base que puede
ser usada para iniciar nuevos proyectos de Machine Learning. Esto es
solamente un inicio, y puedes ir mejorando a medida que desarrolles
proyectos más grandes y complicados.
A medida que se aplique lo explicado acá y implementes las habilidades

adquiridas en Machine Learning utilizando la plataforma de Python,
desarrollarás experiencia y habilidades con nuevas y diferentes técnicas con
Python, haciendo más fácil el desarrollo de proyectos dentro de esta área.
CONJUNTOS DE DATOS PARA PRÁCTICA

Lo importante para mejorar las habilidades aprendidas dentro del libro
es seguir practicando. En la web puedes encontrar varios conjuntos de datos
que puedes utilizar para practicar los conocimientos y, a su vez para crear
un portafolio de proyectos para mostrar dentro de la hoja de vida.
El primer lugar donde puedes encontrar conjuntos de datos que puedes

utilizar en proyectos de Machine Learning es en el repositorio de Machine
Learning de UCI (Universidad de California en Irvine). Los conjuntos de
datos de este repositorio son estandarizados, relativamente limpios, bien
entendidos y excelentes para que se use como conjuntos de datos de
práctica.
Con este repositorio se puede construir y desarrollar aún más las

habilidades en el área de Machine Learning. También es útil para empezar a
crear un portafolio que puede ser mostrado a futuros empleadores
demostrando que puede ser capaz de entregar resultados en proyectos de
Machine Learning utilizando Python.
El link para este repositorio es el siguiente:

http://archive.ics.uci.edu/ml/index.php.
Otra página que cuenta con muy buenos conjuntos de datos para
practicar es Kaggle. Acá, puedes descargar y practicar las habilidades
aprendidas, pero también puedes participar en competencias. En una
competencia, el organizador te proporciona un conjunto de datos de
entrenamiento, un conjunto de datos de prueba en el que debes hacer
predicciones, una medida de rendimiento y un límite de tiempo. Luego, los
competidores trabajan para crear el modelo más preciso posible. Los
ganadores a menudo reciben premios en efectivo.
Estas competencias a menudo duran semanas o meses y pueden ser muy

divertidas. También ofrecen una gran oportunidad para probar tus
habilidades con herramientas de Machine Learning con conjuntos de datos
que a menudo requieren mucha limpieza y preparación. Un buen sitio para
comenzar serían las competencias para principiantes, ya que a menudo son
menos desafiantes y tienen mucha ayuda en forma de tutoriales para
comenzar.
El sitio web principal para encontrar los conjuntos de datos es el

siguiente: https://www.kaggle.com/datasets.
No importa la página que se utilice para obtener los conjuntos de datos,

los pasos que se deben seguir para mejorar las habilidades de Machine
Learning son los siguientes:
1. Navegar por la lista de conjuntos de datos gratuitos en el
repositorio y descargar algunos que parezcan interesantes.
2. Usar las librerías y funciones aprendidas en este libro para
trabajar a través del conjunto de datos y desarrollar un modelo
preciso.
3. Escribir el flujo de trabajo y las conclusiones obtenidas para

que puedan ser consultados más adelante e inclusive si es posible
compartir esta información en algún sitio web, un lugar
recomendado es en Github.
Trabajar en pequeños proyectos es una buena manera de practicar los

fundamentos. En ocasiones algunos problemas se volverán fáciles por lo
cual se debe buscar nuevos retos para salir de la zona de confort para
ayudar a aumentar las habilidades en Machine Learning.
Capítulo 16
OBTENER MÁS INFORMACIÓN
Este libro es solo el comienzo de tu camino para aprender Machine

Learning con Python. A medida que se desarrolle nuevos proyectos, es
posible que necesites ayude. En este capítulo se indica algunas de las
mejores fuentes de ayuda de Python y Machine Learning que puede
encontrar.
1. Sitios web útiles para aclarar dudas.
CONSEJO GENERAL
En general, en la página LigdiGonzalez podrás encontrar mucha más
información sobre Machine Learning. Desde información teórica como
ejercicios prácticos, de esta forma podrás aumentar tus habilidades dentro
de este tema. Toda la información contenida acá es en español.

información:
http://bit.ly/2JbWcaX
De igual forma, la documentación oficial de Python y SciPy es

excelente. Tanto las guías de usuario como la documentación de API son
una excelente ayuda para aclarar dudas. Acá podrás tener una comprensión
más completa de la configuración más profunda que puedes explorar. La
información publicada es en inglés.
Otro recurso muy útil son los sitios de preguntas y respuestas, como
StackOverflow. Se puede buscar mensajes de error y problemas que se
tenga y encontrar ejemplos de códigos e ideas que pueden ayudar en los
proyectos. Esta página se encuentra tanto en español como en inglés,
aunque en está ultima se encuentra la mayor cantidad de información.
AYUDA CON PYTHON

Python es un lenguaje de programación con todas las funciones. Como
tal, cuanto más aprendas sobre él, mejor podrás usarlo. Si es relativamente
nuevo en la plataforma Python, aquí hay algunos recursos valiosos para ir
un paso más profundo:
Documentación oficial Python 3:

https://docs.python.org/3/
AYUDA CON SCIPY Y NUMPY

Es una buena idea familiarizarse con el ecosistema SciPy más amplio,
por lo que es recomendable revisar las notas de SciPy y la documentación
de NumPy, sobretodo cuando se tenga problemas con estas librerías.
Notas de SciPy:
http://scipy-lectures.org/
Documentación oficial NumPy:

https://docs.scipy.org/doc/numpy/user/
AYUDA CON MATPLOTLIB

Mostrar gráficamente los datos es algo muy importante en Machine
Learning, por lo que se puede revisar la información oficial de matplotlib,
en donde se encuentran muchos ejemplos, con sus respectivos códigos, que
pueden ser bastante útil para implementar en los proyectos propios.
Documentación oficial matplotlib:
https://matplotlib.org/gallery.html
AYUDA CON PANDAS

Pandas cuenta con una gran cantidad de documentación. Los ejemplos
presentados en la documentación oficial son muy útiles ya que darán ideas
sobre diferentes maneras de dividir y cortar los datos.
Documentación oficial Pandas:

http://pandas.pydata.org/pandas-docs/stable/
AYUDA CON SCIKIT-LEARN

La documentación publicada en la página web de scikit-learn es de gran
ayuda al momento de desarrollar proyectos de Machine Learning, revisar la
configuración de cada función puede ayudar a mejorar los proyectos y
obtener mejores resultados.
Documentación oficial scikit-learn:

https://scikit-learn.org/stable/documentation.html
Machine Learning con Python
Aprendizaje Supervisado
Ligdi González
2019
This le was downloaded from Z-Library project
Your gateway to knowledge and culture. Accessible for everyone.
z-library.se singlelogin.re go-to-zlibrary.se single-login.ru
O cial Telegram channel
Z-Access
https://wikipedia.org/wiki/Z-Library
ffi
fi

Machine Learning Con Python Aprendizaje Supervisado (Spanish Edition) (Ligdimar González (González, Ligdimar) )

Cargado por

Copyright:

Formatos disponibles

Machine Learning Con Python Aprendizaje Supervisado (Spanish Edition) (Ligdimar González (González, Ligdimar) )

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Machine Learning Con Python Aprendizaje Supervisado (Spanish Edition) (Ligdimar González (González, Ligdimar) )

Cargado por

Copyright:

Formatos disponibles

Machine Learning con Python

MACHINE LEARNING CON PYTHON

Aprender cómo las subtareas de un proyecto de Machine

En los primeros capítulos se aprenderá a cómo completar las subtareas

Un proyecto de Machine Learning, se puede dividir en 4 tareas:

Definir el problema: investigar y caracterizar el problema

En la última parte del libro, unirá todo lo aprendido anteriormente, para

Cada capítulo esta diseñado para completarse en menos de 30 minutos

Python está creciendo y puede convertirse en la plataforma dominante para

En este capítulo aprenderás todo lo relacionado al entorno de Python

1. Python y su uso para Machine Learning.

Las librerías especializadas de Machine Learning como scikit-learn,

LIBRERÍAS PARA LA CIENCIA DE DATOS

SciPy es una librería de software para ingeniería y ciencia, SciPy

NumPy se refiere a Numerical Python y es una librería fundamental

Esta orientada en administrar y tratar los datos como matrices, su

En resumen, NumPy presenta objetos para matrices y matrices

Pandas es una librería de Python diseñada para trabajar con datos

LIBRERÍAS PARA LA VISUALIZACIÓN DE DATOS

Es una librería estándar de Python para crear diagramas y gráficos en

LIBRERÍAS PARA MACHINE LEARNING

La librería de scikit-learn es definitivamente una de las más populares

Scikit-learn expone una interfaz concisa y consistente para los

Para mayor información se puede revisar la siguiente

INSTALAR EL ENTORNO DE PYTHON

Solamente tienes que dirigir a la página oficial, anaconda.com y

Allí seleccionar el sistema operativo que utiliza el computador.

Una vez que se haya descargado, proceder a instalarlo en el computador,

Al finalizar todo esto ya estará instalado en el computador, Python, gran

TRABAJANDO CON EL IDE SPYDER

Para mayor información se puede revisar la siguiente

TRABAJANDO CON EL IDE JUPYTER NOTEBOOK

Para efectos del libro todas las líneas de códigos y resultados de

Para desarrollar algoritmos de Machine Learning en Python no es necesario

En este capítulo aprenderás:

1. Sintaxis básica de Python.

Si ya conoces algo de Python, este capítulo será un refrescamiento en los

CURSO INTENSIVO DE PYTHON

Las ventajas técnicas que ofrece Python en comparación con otros

☐ Es gratis y actualizado constantemente.

Por lo tanto, Python basa su popularidad en dos pilares, el primero es que

Para mayor información se puede revisar la siguiente

CURSO INTENSIVO DE NUMPY

Por su parte, NumPy array o el arreglo de marices de NumPy es un

Según lo explicado anteriormente, en la primera figura se tiene una

El número de ejes aumenta de acuerdo con el número de dimensiones, en

Con la primera instrucción se indica al programa de Python que de ahora

NumPy contiene varias instrucciones para obtener más información

Se puede encontrar el tipo de datos de los elementos que están

Del mismo modo, se puede encontrar el tamaño y la forma de la matriz

El cambio de la forma de las

En la imagen se tiene 3 columnas y 2 filas que se han convertido en 2

Otra función que se puede utilizar con NumPy es seleccionar un solo

Con la librería de NumPy se puede realizar de manera muy fácil

Se ha cubierto gran parte de las funciones que se pueden utilizar al

Para mayor información se puede ver revisar la siguiente

CURSO INTENSIVO DE PANDAS

Usando esta librería se puede lograr cinco pasos típicos en el

Un DataFrame es la estructura fundamental de Pandas, estos son