Regresión con Árboles de Decisión: el algoritmo CART
ฝัง
- เผยแพร่เมื่อ 7 ก.ย. 2024
- 🔥🔥Academia Online🔥🔥: cursos.codific...
🔥🔥Asesorías y formación personalizada🔥🔥: www.codificand...
En este video veremos todos los detalles del algoritmo CART y de cómo usarlo para implementar Árboles de Decisión en una tarea de Regresión. Veremos en detalle cómo funciona paso a paso el algoritmo, cómo se construye el árbol de decisión, cómo se realiza la predicción con este árbol y cómo realizar la poda del mismo en caso de que sea necesario simplificarlo.
🔴 ** VISITA WWW.CODIFICANDOBITS.COM **
En el sitio web encontrarán artículos y podrán descargar material útil para el desarrollo de aplicaciones de Machine Learning y Ciencia de Datos. También podrán ponerse en contacto conmigo si están interesados en servicios de formación, charlas o asesorías... Y muy pronto podrán acceder a los cursos online que estoy preparando.
🔴 ** VIDEOS Y LISTAS DE REPRODUCCIÓN RECOMENDADAS **
🎥 Clasificación con Árboles de Decisión ¡EN 15 MINUTOS!: • Clasificación con Ár...
🎥 Máquinas de Soporte Vectorial: ¡Explicación Completa!: • MÁQUINAS DE SOPORTE VE...
🔴 ** ÚNETE A CODIFICANDO BITS Y SÍGUEME EN MIS REDES SOCIALES **
✅ Sitio web: www.codificand...
✅ Suscríbete: www.youtube.co...
✅ Facebook: / codificandobits
✅ Instagram: / codificandobits
✅ Twitter: / codificandobits
🔴 ** ACERCA DE MÍ **
Soy Miguel Sotaquirá, el creador de Codificando Bits. Tengo formación como Ingeniero Electrónico, y un Doctorado en Bioingeniería, y desde el año 2017 me he convertido en un apasionado por el Machine Learning y el Data Science, y en la actualidad me dedico por completo a divulgar contenido y a brindar asesoría a personas y empresas sobre estos temas.
🔴 ** ACERCA DE CODIFICANDO BITS **
El objetivo de Codificando Bits es inspirar y difundir el conocimiento en las áreas de Machine Learning y Data Science.
#machinelearning - วิทยาศาสตร์และเทคโนโลยี
🔥🔥Academia Online🔥🔥: cursos.codificandobits.com/
🔥🔥Asesorías y formación personalizada🔥🔥: www.codificandobits.com/servicios/
Increible conocer la teoría detrás de los conceptos, no solo es suficiente aprender el código e python o en R.
Tienes razón Gerardo, no basta con conocer únicamente la forma de programar estos algoritmos... Es necesario saber lo que pasa en el fondo. Un saludo!
Crack!!!!!!!!!!!!!!!
Eres un genio, gracias x enseñarnos estos interesantes temas. Un abrazo desde Chile.
De nuevo gracias por tu comentario Felipe. Te envío un saludo!
Excelente explicación, estoy usando M5P en weka para regresión y con este video he resuelto algunas dudas, saludos desde de México.
Muchas gracias, maravilloso encontrar tus explicaciones siempre tan lúdicas. Un abrazo
Abrazos Juan Andrés, y gracias por tus usuales comentarios!
Muchas gracias, me ayudo mucho este video.
Muchas gracias. Gran ayuda para la asignatura de Inteligencia Artificial
Excelente video, muy clara la explicación. Muchas gracias por compartir este material!
Felicidades! gran video y material
Muchas gracias!! que bien explicado...
La teoría y el principio matemático super explicado. En verdad le agradezco por este video :)
Con gusto y gracias por tu comentario. Un saludo!
¡Excelente explicación!
Gracias por tu comentario Oscar. Un saludo!
Excelente explicación!
Muchas gracias por tu comentario Juan. Te envío un saludo!
Excelente video muchisimas gracias. Ansioso de ver una implementacion de este algoritmo en Python 😲
Disculpa las nuevas particiones son siempre hacia la derecha?
Por qué no puedo hacerlo hacia la izquierda?
Gracias
Profe Miguel, hace un tiempo quería preguntarte si seria posible que hicieras un tutorial tratando el tema de las redes convolucionales enfocado en la parte artistica, como trasferencia de estilo o deepdream. Gracias por tus videos , como siempre amenos y claros.
Gracias por tu sugerencia. Ya tomé nota e intentaré abrir un espacio en la programación del canal para incluir este tema. Un saludo!
Genial!!, hace unos meses participe en un datathon y este fue un tema muy usado. Lo que me gustaria saber es como afinar la efectividad de la prediccion final.
Hola Fernando. Una forma es podando el árbol antes o después del entrenamiento. Si lo haces antes puedes afinar por ejemplo el número de datos en cada nodo, o el mínimo número de datos para generar una partición. Si haces la post-poda puedes usar por ejemplo el algoritmo de poda de complejidad de costos (que ya viene implementado en Scikit Learn). Un saludo!
Estimado Miguel, ¿será posible que nos deleites con un par de videos explicando en detalle el algoritmo de muzero (o alphaGo zero) de Deepmind? Aun no logro entenderlo bien desde fuentes en inglés, de seguro seria un gran aporte de tu canal. Muchas gracias!
Hola Felipe y muchas gracias por tu sugerencia. Tomo nota e intentaré buscar un espacio para hablar del tema en próximos videos del canal. Un saludo!
Bien importante ese final, los arboles de decision son muy interesantes pero malisimos en terminos de si agregamos muchos mas datos ya que el nivel de computo aumenta exponencialmente. Adicional en función de la profundidad tienen problemas de bias y varianza que se corrige usando boosting o bagging y ahi preciso es el tema de estrategias como los famosos bosques aleatorios que son tan potentes.
Exactamente Johan... y precisamente vienen videos sobre los bosques aleatorios (bagging) y el boosting. Un saludo!
Para el algoritmo de TH-cam.
Saludo
ja, ja, ja. Un saludo!
@@codificandobits
Por favor 2 preguntas rápidas
Dar like a los otros comentarios
¿ sígue beneficiando?
¿Y qué es mejor,dar un
Dislike, o nada ?
Saludos de nuevo
suerte cultura y gracias
hermano tu explicacion es excelente, pero los sonidos que pones son molestos :/
te amo wn, super claro
:) :) :)
Hay algún criterio óptimo para la división del árbol ? O el número de hojas finales suele ser el más recomendado ?
Gracias por el video ! A modificar esos w de la red de YT con mi comentario :p
Hola... y qué buena pregunta. No, realmente, como ocurre usualmente al entrenar modelos de Machine Learning, realmente no existe un criterio óptimo en este caso. Y la respuesta es sencilla: todo depende de las características que tengan los datos que se estén usando en el entrenamiento.
La sugerencia es definir antes del entrenamiento el hiperparámetro "número de hojas", (1) entrenar el modelo y validarlo con el set de prueba, (2) verificar el error y repetir (1) y (2) variando el "número de hojas" hasta obtener un valor adecuado para el error de validación. Otra alternativa es usar la poda de complejidad de costos, que explico precisamente al final del video.
Un saludo!