Aprendizaje supervisado con Scikit-Learn
Cree y evalúe modelos de aprendizaje supervisado, como regresión lineal y clasificación.
Aprendizaje supervisado con Scikit-Learn es una lección gratuita de Python For Kids en CoddyKit. Esta es la lección 2 de 6. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Python For Kids, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Python For Kids incluye 6 lecciones en total.
Aprendizaje supervisado con Scikit-Learn
El aprendizaje supervisado consiste en entrenar un modelo con datos etiquetados para realizar predicciones o clasificar puntos de datos. Scikit-learn es una biblioteca popular de Python para implementar modelos de aprendizaje supervisado.
En esta lección, aprenderá a crear y evaluar modelos de aprendizaje supervisado mediante Scikit-learn.
¿Qué es el aprendizaje supervisado?
El aprendizaje supervisado utiliza datos etiquetados, en los que cada entrada tiene una salida correspondiente. El objetivo es aprender una correspondencia entre las entradas y las salidas.
Entre las tareas habituales se incluyen:
- Regresión: Predicción de valores continuos, como los precios de viviendas.
- Clasificación: Predicción de categorías, como spam o no spam.
Configuración de Scikit-Learn
Instale Scikit-learn mediante pip:
pip install scikit-learn
Una vez instalado, podrá importarlo y empezar a crear modelos.
Regresión lineal
La regresión lineal se utiliza para predecir valores continuos. Construyamos un modelo sencillo de regresión lineal:
# Example: Linear Regression
from sklearn.linear_model import LinearRegression
# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]
model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))Regresión logística
La regresión logística se utiliza para tareas de clasificación binaria, como determinar si un correo electrónico es spam o no.
# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression
# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]
model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))Árboles de decisión
Los árboles de decisión son modelos versátiles que pueden gestionar tanto tareas de regresión como de clasificación. Construyamos un clasificador sencillo basado en un árbol de decisión:
# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier
# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]
model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))Evaluación de modelos
Scikit-learn proporciona métricas para evaluar el rendimiento de los modelos:
- Error cuadrático medio (MSE): Para modelos de regresión.
- Exactitud: Para modelos de clasificación.
# Example: Evaluating a model
from sklearn.metrics import mean_squared_error
# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))División de entrenamiento y prueba
Divida siempre el conjunto de datos en conjuntos de entrenamiento y de prueba para evaluar el rendimiento del modelo con datos que no haya visto:
# Example: Train-Test Split
from sklearn.model_selection import train_test_split
X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)Errores comunes en el aprendizaje supervisado
Estos son algunos errores que debe evitar:
- No dividir los datos en conjuntos de entrenamiento y prueba.
- Forzar un sobreajuste del modelo al usar algoritmos excesivamente complejos.
- Usar datos mal etiquetados para el entrenamiento.
¿Qué hemos aprendido?
En esta lección, ha aprendido:
- A crear modelos de regresión y clasificación mediante Scikit-learn.
- A evaluar el rendimiento de los modelos mediante métricas como el MSE y la exactitud.
- La importancia de dividir los datos en conjuntos de entrenamiento y de prueba.
- Los errores comunes que debe evitar en las tareas de aprendizaje supervisado.
¡Excelente trabajo! Pasemos al siguiente tema.
Preguntas frecuentes
¿La lección «Aprendizaje supervisado con Scikit-Learn» es gratis?
Sí — el texto completo de «Aprendizaje supervisado con Scikit-Learn» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Python For Kids, actualiza a CoddyKit PRO. El curso de Python For Kids incluye 6 lecciones en total.
¿Qué aprenderé en «Aprendizaje supervisado con Scikit-Learn»?
Cree y evalúe modelos de aprendizaje supervisado, como regresión lineal y clasificación. Practicas Python For Kids con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Python For Kids?
No se requiere experiencia previa. Python For Kids en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 6.
¿Cuánto tiempo toma la lección «Aprendizaje supervisado con Scikit-Learn»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Python For Kids?
Sí. Cada lección de Python For Kids incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Introducción al aprendizaje automático
- Aprendizaje supervisado con Scikit-Learn
- Aprendizaje no supervisado
- Ingeniería y selección de características
- Introducción a las redes neuronales
- Introducción a TensorFlow y Keras