Loading

Árboles de decisión, bosques aleatorios, AdaBoost y XGBoost en Python

En este curso gratuito en línea, conozca los métodos implicados en los árboles de decisión y las técnicas de conjunto en Python.

Publisher: Start-Tech Academy
Los árboles de decisión son una de las técnicas más populares en el aprendizaje automático, ya que son visualmente atractivos y fáciles de interpretar. En este curso gratuito en línea, aprenda sobre la creación y poda de árboles de decisión, técnicas de ensamble y los criterios de detención para controlar el crecimiento de árboles de decisión. Impulse su regresión y clasifique los conocimientos y habilidades de los árboles estudiando este curso integral.
Árboles de decisión, bosques aleatorios, AdaBoost y XGBoost en Python
  • Duración

    6-10 Horas
  • Students

    31
  • Accreditation

    CPD

Descripción

Modules

Resultados

Certificación

Ver los módulos del curso

Description

¿Desea ser experto en utilizar árboles de decisiones para resolver problemas empresariales complejos? Este curso cubre todos los pasos que debes tomar al resolver problemas de negocio usando árboles de decisión en Python. Analistas empresariales y científicos de datos utilizan ampliamente modelos de decisión basados en árboles. Utilizan árboles de decisión porque son fáciles de interpretar y hacen que llegar a un punto de decisión claro sin complicaciones. Usted los utilizará para presentar conceptos de negocio a las personas que podrían no ser entusiastas acerca de los números y modelos matemáticos complejos. Descubra que un árbol de decisiones es una herramienta de soporte de decisiones empresariales que utiliza un modelo similar al árbol de decisiones y posibles resultados que incluyen resultados de sucesos, costes de recursos y programas de utilidad. Es una forma de visualizar un algoritmo que sólo contiene sentencias de control condicionales. El curso discutirá los directorios esenciales en Python y el proceso de construcción de un modelo de aprendizaje automático.

Al principio, se le introducirán los tres métodos para abrir el cuaderno Jupyter; el navegador Anaconda, la solicitud Anaconda y el indicador de mandatos. A continuación, encontrará que los árboles de regresión son adecuados para las variables de destino cuantitativas continuas, mientras que los árboles de clasificación son ideales para variables objetivo categóricas discretas. Usted entenderá los pasos a seguir al construir un árbol de regresión, ganar la capacidad de manipular el árbol de decisiones e interpretar los resultados de manera más eficiente que alguien que sólo conoce los aspectos técnicos de la toma de los árboles de decisión en Python. Descubra que el enfoque descendente de la división binaria recursiva es un enfoque codicioso. En cada paso del proceso de construcción de árboles, la mejor división se hace en ese paso en particular, en lugar de mirar hacia delante y escoger una división que conducirá a un mejor árbol en alguna acción futura. El curso discutirá el tratamiento de valor que falta en Python y la creación de variables ficticias.

A continuación, aprenderá que al ejecutar el código en Python, debe especificar los criterios de detención para el árbol de decisiones para controlar la longitud del árbol y evitar el problema de sobreajuste. Los tres métodos para controlar el crecimiento del árbol de decisiones especifican las observaciones mínimas necesarias en el nodo interno, estableciendo las observaciones mínimas necesarias en el nodo de hoja y proporcionando la profundidad máxima del árbol. Obtenga información sobre los tres modelos de predicción principales basados en la toma de decisiones en árboles de decisión, bosques aleatorios y técnicas de impulso. Entonces comprenderás que los árboles de decisión reflejan de cerca la toma de decisiones humanas que otros enfoques de regresión y clasificación. Pueden manejar fácilmente predictores cualitativos sin la necesidad de crear variables ficticias. Por último, estudiará cómo evaluar el rendimiento de un modelo en Python, trazando un árbol de decisiones, un análisis de datos y técnicas de conjunto. Este curso será de interés para los científicos de datos, ejecutivos o estudiantes interesados en aprender sobre los árboles de decisión. ¿Por qué esperar? Inicie este curso hoy y conviértete en un árbol de decisiones y experto en resolución de problemas.

Inicio Curso Ahora

Careers