InicioCursosDescubrir el aprendizaje supervisado con scikit-learn

Clasificación binaria

Capítulo 2 · Descubrir los métodos de clasificación · lección 3 de 51
Reservado a los suscriptores — aquí tienes su inicio
El resto de esta lección está reservado a los suscriptores Crea tu cuenta gratuita para probar los ejercicios de ejemplo y, cuando quieras, pásate al acceso completo.

Cree su cuenta gratuita

Sin tarjeta de crédito, en treinta segundos.
Continuar con Google
o
Registrarse con un correo electrónico
¿Ya tienes cuenta? Iniciar sesión
Al continuar, aceptas las condiciones de uso y la política de privacidad. Tus datos están alojados en la Unión Europea.

Acceso completo DATAGOZ

19 €/ mes — o 190 € / año
  • Todos los cursos publicados y los itinerarios profesionales
  • Ejercicios y cuestionarios corregidos automáticamente
  • Práctica, examen y certificado de seguimiento
  • Sin compromiso, cancelable en línea
Ver las fórmulas
Esta lección forma parte del curso

Descubre el aprendizaje supervisado con scikit-learn

6 capítulos · 51 lecciones
  • La plataforma de formaciónsuscriptores
  • Machine learning con scikit-learnsuscriptores
  • Clasificación binariaestás aquí
  • Etapas clave del aprendizaje supervisadosuscriptores
  • Abordar un problema de clasificaciónsuscriptores
  • Ajustar un modelo con los k vecinos más cercanossuscriptores
  • Realizar predicciones con los k vecinos más cercanossuscriptores
  • Evaluar el rendimiento del modelousuarios
  • Separar los datos y medir la precisiónusuarios
  • Identificar el sobreajuste y el subajusteusuarios
  • Analizar la complejidad del modelousuarios
  • Introducción a los principios de la regresiónusuarios
  • Crear y seleccionar características pertinentesusuarios
  • Construir un modelo de regresión linealusuarios
  • Representar gráficamente un modelo de regresión linealusuarios
  • Asimilar los principios fundamentales de la regresión linealusuarios
  • Ajustar un modelo y realizar prediccionesusuarios
  • Evaluar el rendimiento de un modelo de regresiónusuarios
  • Descubrir los principios de la validación cruzadaabonnés
  • Evaluar el coeficiente R² mediante validación cruzadaabonnés
  • Interpretar los indicadores de validación cruzadaabonnés
  • Mejorar los modelos gracias a la regularizaciónabonnés
  • Aplicar la regularización Ridge (Cresta)abonnés
  • Identificar las características importantes con la regresión Lassoabonnés
  • Evaluar la fiabilidad y la calidad de tu modeloabonnés
  • Elegir una métrica de evaluación adecuadaabonnés
  • Evaluar un clasificador de predicción de la diabetesabonnés
  • Descubrir la regresión logística y la curva ROCabonnés
  • Construir un modelo de regresión logísticaabonnés
  • Trazar e interpretar la curva ROCsuscriptores
  • Medir el rendimiento con el área bajo la curva ROC (ROC AUC)suscriptores
  • Entender el ajuste de los hiperparámetrossuscriptores
  • Optimizar los hiperparámetros con GridSearchCVsuscriptores
  • Explorar los hiperparámetros con RandomizedSearchCVsuscriptores
  • Preparar y transformar los datossuscriptores
  • Codificar las variables categóricassuscriptores
  • Aplicar la regresión a los datos categóricossuscriptores
  • Gestionar los valores faltantessuscriptores
  • Tratar los datos incompletos mediante eliminaciónsuscriptores
  • Construir un pipeline para predecir el género musical (1.ª parte)suscriptores
  • Completar el pipeline de predicción del género musical (2.ª parte)suscriptores
  • Estandarizar los datos mediante centrado y escaladosuscriptores
  • Aplicar la estandarización a un modelo de regresiónsuscriptores
  • Estandarizar los datos para la clasificaciónsuscriptores
  • Comparar el rendimiento de varios modelossuscriptores
  • Visualizar los resultados de los modelos de regresiónsuscriptores
  • Realizar predicciones sobre los datos de pruebasuscriptores
  • Comparar gráficamente el rendimiento de los modelos de clasificaciónsuscriptores
  • Crear un pipeline para predecir la popularidad de las cancionessuscriptores
  • Balance de los conocimientos del cursosuscriptores
  • Conclusión de la formaciónsuscriptores
Lección siguiente

Etapas clave del aprendizaje supervisado

Ver el programa Crea una cuenta para continuar