Bosques Aleatorios - Random Forest. Cómo funcionan y código en Python
ฝัง
- เผยแพร่เมื่อ 10 มี.ค. 2021
- En Machine Learning uno de los métodos más robustos utilizados para clasificación y regresión es el de Bosques Aleatorios o Random Forest. En este tutorial explicaremos conceptualmente el método, y realizaremos un clasificador con código en Python. (No olvides suscribirte al canal :))
Video Tutorial Arboles de Decisión:
• Arboles de decisión (P...
Enlace al repositorio:
github.com/DavidReveloLuna/Ma...
Muchas gracias por el video, seria interesante ver un video de random forest de regresion
gran video
Excelente !!!, claro, simple, muy bueno. !!! 💪💪💪
Excelente video. Muy didáctico.
Excelente explicación
Hola, antes que nada, gracias por subir este contenido!!!!
¿tal vez tienes un ejemplo de cómo realizar el random forest con regresión en R?
Muchas gracias por la explicación, tengo duda sobre los parámetros que ingresas sobre random forest: ¿Cómo saber si se debe aplicar la regresión con random forest, de qué depende? ¿Cómo sabes el número de arboles (en este caso son 19)? ¿cómo se obtiene el random_state = 2016 y el min_samplesleaf=8?
Muy buen viedeo, super recomendado
Excelente video bro!
Benjamin, gracias!!!
buen video
nuevo suscriptor
Buen video, entendí a la perfección, lo ejecuté sobre un dataset de 70000 muestras y obtuve un accuracy de 96%
Hola Santiago, muchas gracias por comentar!!!
Hola, cómo hiciste para cargar esa data luego de haber entrenado al modelo?
eres genial!!!
Hola Es el primer vid que veo en tu canal y me parece muy bien presentado y de gran ayuda.
Por eso me atrevo a preguntar: Porque el dataset se toma como Nx renglones y N columnas?? Digo... cuando hacemos visualización digamos con Pandas... eso se ve al revés, es decir, las caracteristicas se visualizan como columnas y las muestras como renglones.
Saludos.
Hola Diego, gracias por tu observación. Habría sido mejor presentarlo como mencionas, gracias, sin embargo, creo que es transparente para la explicación, no supone mayor diferencia. Gracias nuevamente!
Muchas gracias por el vídeo
Gracias Andrés!
Muy buen video!!, consulta, de cuantas muestras seria considerado un "buen" dataset para realizar un entrenamiento optimo?
Muchas gracias por tu video. Si quiesiera desarrollar una ecuación ¿cuál sería la forma funcional?
Hola, consulta. En qué parte se define el porcentaje de datos que se usará como entrenamiento y test? También, cómo haría si quiero cargar mis propios datos luego de haber entrenado al modelo con mis propia info?
Buen Video, ahora como obtengo la ecuacion matematica para predecir los datos nuevos uma vez ya el modelo este probado con con el test? y luego poder consumirlo en una Api o en una web o en mi erp... algo asi como cuando ingresas un formulario de credito y automaticamente te sale aprobado o rechazado.????
Up
una duda, la matriz de confusión me dice los que fueron bien o mal clasificados pero debe haber alguna forma de saber a detalle la clasificación que recibió cada entrada en el dataset?
Hola. Claro que sí, puedes hacer una predicción individual y compararla con tu valor esperado
excelente video, podrian explicarme para que sirve específicamente
la semilla
Gracias!
En general en machine learning una semilla normalmente se usa para que un proceso aleatorio se pueda replicar. Es decir, existen procesos aleatorios (como por ejemplo cuando se divide un dataset) que se requieren replicar para efectos de depuraciones. Cuando pones una semilla te aseguras que aunque la naturaleza del proceso es aleatorio, puedas replicarlo cada vez que corres el código.
@ ufffff muchísimas gracias me salvaste, mañana tengo exposición al respecto excelente canal
Buen día me podría ayudar .. al correr BA_model.fit(X_train, y_train) me generar un error ValueError: Unknown label type: 'continuous'
Hola Byron. Ese error suele aparecer cuando no se tiene claro si la variable es categórica (clasificación) o numérica (regresión). Revisa eso por favor.
De todos los ejemplos q he buscado, este es el q mas me ha ayudado a entender el algoritmo, pero sigo teniendo una duda, una vez q ya tenga entrenado el dataset con 10000 muestras, como hago q me clasifique una tupla nueva??? Como añado un elemento sin el campo de la clasificacion para q el automaticamente me lo clasifique segun lo entrenado??
Hola Jose,
Puedes usar el método mimodelo.predict(nuevodatdo) para hacer una nueva predicción. Solamente debes asegurarte que el shape del dato nuevo (nuevodato) sea compatible. Puedes verificar el shape en el código del repositorio, consultando el shape de Xtest.
@ muchas gracias
La pregunta principla: Cómo haces para escribir al reves?
Es un flip en la cámara 😁
Chamo no explicaste como interpretar los resultados. Esta fallo el video
Please justify with English language.