Lección 7 del curso Bosques Aleatorios.
En la lección anterior vimos de forma práctica cómo implementar un clasificador usando Bosques Aleatorios y la librería Scikit-Learn de Python.
En esta lección veremos un ejercicio similar pero enfocado en una tarea de regresión. Así que veremos cómo crear, entrenar, validar y generar predicciones con un Bosque Aleatorio de Regresión en Python:
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 la metodología para abordar un problema de regresión usando Bosques Aleatorios es muy similar a la que implementamos en la lección anterior.
Y así como ocurre en cualquier proyecto de Machine Learning, la fase de exploración y preparación de los datos es la que más esfuerzo requiere. Y una vez completada esta fase, crear y entrenar el Bosque Aleatorio (usando el módulo «RandomForestRegressor()» de Scikit-Learn) requiere tan sólo dos líneas de código.
Después de realizar el entrenamiento podemos validar el Bosque usando las muestras «out-of-bag» y luego calcular el desempeño con el set de prueba haciendo uso del método «predict()» y de las métricas error cuadrático medio (RMSE por sus siglas en Inglés) y el error porcentual absoluto medio (o MAPE por sus siglas en Inglés).
Y este caso pudimos comprobar que sin necesidad de ajustar ningún hiper-parámetro del Bosque obtenemos un desempeño muy cercano tanto con las muestras «out-of-bag» como con el set de prueba, lo que nos indica que el modelo prácticamente no tiene sobre-ajuste (u «overfitting»), que es precisamente una de las ventajas de los Bosques Aleatorios frente a los árboles de decisión.
Así que en estas dos últimas lecciones hemos visto de forma práctica como hacer uso de estos Bosques Aleatorios para resolver problemas de clasificación y de regresión en el Machine Learning. Y con esto estamos listos para ver cómo realizar la afinación o el ajuste de hiper-parámetros de un Bosque Aleatorio, que será precisamente el tema de la próxima lección.
Todas las lecciones del curso Bosques Aleatorios