Formación Machine Learning con Pyton: Clasificación

Paso a paso

1. 1 Iniciando en clasificación

   En este primer paso, comenzarás tu experiencia en la clasificación en Python aprendiendo a entrenar modelos de clasificación a partir de datos, a realizar predicciones sobre nuevos datos del modelo entrenado y a almacenarlos en un archivo para que puedas usarlos en tus proyectos.

   Explorarás las métricas clave de los modelos de clasificación, identificarás la métrica más relevante para cada tipo de problema, utilizarás diferentes estrategias de validación de datos para evaluar el rendimiento del modelo y aprenderás técnicas para gestionar datos desequilibrados.

   Finalmente, tendrás la oportunidad de aplicar todas estas habilidades a problemas multiclase, donde ya no se trata solo con dos categorías, sino con varias. La capacidad de clasificar datos en múltiples categorías es crucial en muchas aplicaciones del mundo real y ampliará significativamente tus habilidades de clasificación en Python.

2. 2 Optimización de resultados

   Tras completar los pasos iniciales en la construcción de modelos de Machine Learning para la clasificación, es hora de profundizar en nuestra comprensión de cómo mejorar los resultados obtenidos. Para ello, avanzaremos en la optimización de hiperparámetros, explorando técnicas como la validación cruzada anidada (Nested Cross-Validation), la búsqueda aleatoria (Random Search), la búsqueda en cuadrícula (Grid Search) y la optimización bayesiana (Bayesian Optimization).

   A continuación, utilizaremos técnicas para evaluar la importancia de los atributos de nuestros conjuntos de datos para el problema de clasificación. Esto nos permitirá ajustar los datos únicamente a los mejores atributos y optimizar los resultados.