Lección 3 del curso Bosques Aleatorios.
En la lección anterior vimos qué es el «bagging» y el papel que juega en la construcción de un Bosque Aleatorio.
Así que en esta lección combinaremos el concepto del «bagging» con la idea del aprendizaje por ensamble (vista en la primera lección del curso) para entender cómo entrenar y generar predicciones con Bosques Aleatorios para tareas tanto de clasificación como de regresión:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver un Bosque Aleatorio (tanto de clasificación como de regresión) se construye a través del ensamble de múltiples árboles (de allí precisamente el término «bosque»).
Y la idea es que al momento de entrenar cada árbol de decisión agregamos un cierto grado de aleatoriedad al momento de construir el set de entrenamiento (usando el «bootstrapping») y al momento de generar cada una de las particiones del espacio de características (seleccionando aleatoriamente una porción del total de características disponibles). Y esta aleatoriedad es de donde se origina precisamente el término «Bosques Aleatorios».
Y este principio de funcionamiento de un Bosque Aleatorio permite que estos modelos ofrezcan varias ventajas frente a los Árboles de Decisión, como por ejemplo el hecho de tener un mejor desempeño y menor «overfitting» así como la capacidad de procesar múltiples características y de ser más robusto ante el ruido que pueda estar presente en los datos de entrenamiento.
Así que con esto ya hemos completado este primer módulo del curso en donde hemos visto una introducción general a los Bosques Aleatorios. Entonces ya estamos listos para ver en detalle el funcionamiento y la implementación de estos Bosques Aleatorios haciendo uso de Python y la librería Scikit-Learn, que será el tema del segundo módulo.
Y específicamente en la próxima lección veremos todos los pasos que hacen parte del algoritmo de entrenamiento de un Bosque Aleatorio y veremos además cómo implementar estos pasos haciendo uso de Python.
Todas las lecciones del curso Bosques Aleatorios