Qué es un modelo de ML

Lección 3 de 19 del curso Introducción al aprendizaje automático de Coddy.

Un modelo de aprendizaje automático tiene como objetivo realizar predicciones basadas en datos históricos. Para hacerlo de manera efectiva, el modelo debe comprender las propiedades estadísticas del conjunto de datos. Esta comprensión no se puede lograr simplemente proporcionando al modelo un algoritmo o una función matemática que describa la distribución de los datos.

En su lugar, el modelo debe aprender estas propiedades a través del entrenamiento. Además, cada conjunto de datos tiene propiedades estadísticas únicas. Por lo tanto, se debe entrenar un modelo independiente para cada conjunto de datos distinto.

La fase de aprendizaje se denomina fitting o fit. Después de que el modelo aprende la distribución de los datos, podemos proporcionarle nuevos datos que nunca ha visto y predecir su resultado; esta fase se denomina predicting o predict.

Ponte a prueba

Esta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.

Ponte a prueba

Esta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.

Ponte a prueba

Esta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.

Desafío

Fácil

Crearemos el modelo de aprendizaje automático supervisado más simple en este desafío. Este modelo no se utiliza de ninguna manera en la industria. Más bien, el propósito de este modelo es demostrar cómo se vería un modelo de aprendizaje automático real.

Crea un modelo que devuelva el valor de y más frecuente para los valores de X correspondientes.

Instrucciones:

El método fit cuenta para cada X el y más frecuente y almacena el resultado en la variable self.mode
Por ejemplo, para el siguiente conjunto de datos:
<strong>X</strong> A B A A B
<strong>Y</strong> 1 1 0 1 1
self.mode debería contener: {"A": 1, "B": 1}
El método predict recibe una lista de X_test y devuelve una lista de la misma longitud. Cada valor en la lista devuelta es el y predicho correspondiente a X, utilizando el self.mode aprendido en la fase fit.
por ejemplo, si self.mode contiene {"A": 1, "B": 1} y X_train es ['A', 'B', 'C'] entonces la salida debería ser: [1, 1, None]

Cómo pasar los casos de prueba:

Crea una función llamada train_and_predict que reciba las listas X_train, y_train y X_test. Seguirá los siguientes pasos:

Aprender usando el método fit con X_train y y_train
predecir las etiquetas de X_test
devolver las etiquetas predichas

Pruébalo tú mismo

import numpy as np
np.set_printoptions(legacy='1.13')

class SimpleModel:
    def __init__(self):
        self.mode = {}

    def fit(self, X, y):
        # Escribe tu código aquí
        

    def predict(self, X):
        # Escribe tu código aquí

def train_and_predict(X_train, y_train, X_test):
    model = SimpleModel()
    # Ajustar el modelo con X_train y y_train
    
    # Predecir las etiquetas de X_test
    
    # Devolver las etiquetas predichas

Todas las lecciones de Introducción al aprendizaje automático

1El comienzo del viaje en ML

Introducción a ML Datos para alimentar un modeloQué es un modelo de ML

4Algoritmo K-Means

Introducción a K-Means método fit método predict

2Introducción al aprendizaje automático

Aprendizaje supervisado Aprendizaje no supervisado

5Bayes ingenuo

Introducción a Naive Bayes método fit método predict

3K vecinos más cercanos (KNN)

Introducción a KNN método fit método predict

6Otros modelos

Regresión logística Regresión lineal Árbol de decisión Máquina de vectores de soporte (SVM)Cuestionario sobre modelos

Practica por tu cuenta: Compilador de Python online

`<strong>X</strong>`	A	B	A	A	B
`<strong>Y</strong>`	1	1	0	1	1