PATH PYTHON – Regresión paso a paso

ARTIST PATH PYTHON – Lectura de datos, descripción inteligente, feature selection, machine learning CLASIFICACIÓN / REGRESIÓN PATH PYTHON – Regresión paso a paso

Llegamos a uno de los puntos cruciales de la mentoría. Vamos a desvelar el proyecto core y el paso a paso que uso con mis clientes y proyectos.

Ahora vamos a adaptar la metodología del clasificador a un problema de regresión que es realmente más simple.

Este método está validado y trabajado. Durante los vídeos de esta sesión vamos a adaptar la plantilla del entregable 5 y 6 de clasificación al problema de regresión para que la puedas aplicar en caso de que tu proyecto sea una regresión.

¡Sin más preámbulos vamos a por ello!

DESCARGAR NOTEBOOK PYTHON

FEATURE SELECTION

El proceso que seguiremos para seleccionar las variables es el siguiente:

1. Feature selection univariada ( Correlación de Pearson o Spearman = Cuantitativa vs salida o ANOVA o Kruskall Wallis = Cualitativas vs salida, MI = Mutual information)

- Quitar las variables con MI = 0
- Quitar las variables con p-valores >25% = 0.25

2. Feature selection multivariado:
- RFE - recursive feature elimination RANDOM FOREST
- Modelo de regresión lineal múltiple mejor modelo según el BIC. --> con pocos datos y pocas variables
- Boruta - rfe mejorado

¡Vamos a verlo en el ejemplo!

TRAINING ALGORITMOS BÁSICOS

Primer cálculo de algoritmos de baseline.
A partir de estos resultados lo más probable es que los mejoremos.

Hacemos un primer cálculo sin y con el estandarizado de los datos:

Estos son los algorimos básicos de baseline que te propongo:
- Logistic regresion - LR
- Logistic regresion con regularización elástica - LR_ELASTIC
- Los k vecinos mas cercanos - KNN
- Árbol de regresión - CART
- Support vector machine radial - SVM

¡Vamos a ello!

TRAINING ALGORITMOS AVANZADOS

Los algoritmos avanzados que vamos a utilizar son los siguientes:
- Random Forest - RF
- Ada Boost Regressor - AB
- Stochastic Gradient Boosting - GBM
- Extra tree regressor - ET

¡Ahora es tu turno!

Aplica el proyecto core siempre que puedas usando el método paso a paso que te comparto.

Es un método que funciona y puedas aportar mucho valor a tus clientes, proyectos y te lo vas a pasar en grande.

Al final queremos que te conviertas en un referente en tu sector usando los datos para ayudar a los demás 🙂

Ahora nos vemos en el Bloque IV. El bloque sobre los proyectos satélite.

Vamos a trabajar el clustering, la reducción dimensional, las reglas de asociación / árboles de clasificación y asentaremos la metodología de análisis de datos de las series temporales.

¡A seguir!

Anterior Tema

Volver a la Lección

Siguiente Lección