Regresión logística, LDA y KNN en Python-Modelado predictivo

¿Está buscando convertirse en un experto en resolver problemas de la vida real utilizando diferentes algoritmos de clasificación en Python? Este curso le dará la posibilidad de interpretar los resultados de un modelo de regresión logística en Python. Podrá utilizar estos resultados al tomar decisiones estratégicas en su organización. Obtenga información sobre los métodos de dispersión, lo que le ayudará a comprender la propagación de un conjunto de datos, a saber, el rango, la desviación estándar y la varianza. Descubre que al comparar los centros, la media no siempre es la mejor medida de tendencia central ya que los valores atípicos influyen mucho en ella, que es la principal razón por la que se prefiere la mediana sobre la media. Se le enseñará sobre las ventajas de utilizar la modalidad para medir los centros, incluyendo el hecho de que puede calcularse tanto para datos cuantitativos como cualitativos, y que la media y la mediana sólo pueden utilizarse para datos cuantitativos. El curso también le presentará las principales bibliotecas de Python, que son Pandas, NumPy y Seaborn.

Descubra los primeros pasos clave en la creación de un modelo de aprendizaje automático, donde convierta su problema de negocio en un problema estadístico, defina las variables dependientes e independientes e identifique si desea predecir o inferir. Aprenderá sobre los datos de entrenamiento y los datos de prueba, donde los datos de entrenamiento se refieren a la información utilizada para formar un algoritmo y los datos de prueba incluyen sólo los datos de entrada y se utilizan para acceder a la precisión del modelo creado o a la función de predictor realizada utilizando los datos de entrenamiento. Descubra la importancia de manejar los valores perdidos en los datos del mundo real y la importancia de gestionarlo adecuadamente, ya que muchos algoritmos de aprendizaje automático no dan soporte a conjuntos de datos con valores perdidos. A continuación, estudiará los métodos más comunes de imputación de valores perdidos, que son imputación basada en segmentos, imputar con cero e imputar con mediana, media o modalidad.

A continuación, aprenderá sobre la técnica de análisis de discriminante lineal, que se basa en el teorema de Bayes ’, como método preferido cuando la variable de respuesta tiene más de dos clases. Descubra cómo, con un conjunto dado de valores predictores, puede utilizar esta técnica para calcular la probabilidad de una observación particular que pertenece a cada grupo y asignar el grupo con la mayor probabilidad a esa observación. A continuación, identificará los inconvenientes de la técnica de vecinos k-más cercanos, incluyendo que no menciona las relaciones de cada variable y la variable de respuesta. Por último, aprenderá a interpretar los resultados de los modelos de clasificación, crear una matriz de confusión en Python, evaluar el rendimiento del modelo y crear una variable ficticia en Python. Este curso será de interés para los científicos de datos, ejecutivos o estudiantes interesados en aprender sobre técnicas de clasificación. ¿Por qué esperar? Inicie este curso hoy y conviértete en un modelo de clasificación y experto en resolución de problemas.