Aquí aprenderá a construir tres modelos que son el modelo de regresión logística, el modelo de árbol de decisión y el modelo de clasificador de bosque aleatorio utilizando Scikit-learn para clasificar el cáncer de mama como maligno o benigno.

Utilizaremos el conjunto de datos (diagnóstico) de cáncer de mama de Wisconsin de Kaggle.

Requisito previo

Debe estar familiarizado con el lenguaje de programación Python y debe tener una comprensión teórica de los tres algoritmos que son el modelo de regresión logística, el modelo de árbol de decisión y el modelo de clasificador de bosque aleatorio.

Aprenda paso a paso

En este curso se le enseñará a través de estos pasos:

  • Sección 1: Cargando conjunto de datos
    • Bibliotecas de introducción e importación
    • Descarga el conjunto de datos directamente desde Kaggle
    • Segunda forma de cargar datos en Colab
  • Sección 2: EDA – Análisis de datos exploratorios
    • Comprobación del número total de filas y columnas
    • Comprobación de las columnas y sus tipos de datos correspondientes (junto con la búsqueda de si contienen valores nulos o no)
    • Segunda forma de verificar valores nulos
    • Dejar caer la columna con todos los valores perdidos
    • Comprobación de tipos de datos
  • Sección 3: Visualización
    • Mostrar un recuento de células malignas (M) o benignas (B)
    • Visualización del recuento de ambas células
    • Realice LabelEncoding: codifique la columna de ‘diagnóstico’ o los valores de datos categóricos
    • Diagrama de pares: trazar relaciones por pares en un conjunto de datos
    • Obtenga la correlación de las columnas -> Cómo una columna puede influir en la otra Visualización de la correlación
  • Sección 4: Manipulación de conjuntos de datos en algoritmos ML
    • Divida los datos en conjuntos independientes y dependientes para realizar el escalado de funciones
    • Escalado del conjunto de datos: escalado de características
  • Sección 5: Crear función para tres modelos diferentes
    • Construyendo clasificador de regresión logística
    • Clasificador de árbol de decisión de construcción
    • Construyendo clasificador de bosque aleatorio
  • Sección 6: Evaluar el desempeño del modelo
    • Impresión de precisión de cada modelo en el conjunto de datos de entrenamiento
    • Precisión del modelo en matriz de confusión
      • Segunda forma de obtener métricas
    • Predicción

Conclusión

Al final de este proyecto, podrá construir tres clasificadores para clasificar pacientes cancerosos y no cancerosos. También podrá configurar y trabajar con el entorno de colab de Google. Además, también podrá limpiar y preparar datos para su análisis.

Aprenda a predecir el cáncer de mama mediante el aprendizaje automático

Aprenda a construir tres modelos de aprendizaje automático (regresión logística, árbol de decisiones, bosque aleatorio) desde cero

Udemy Gratis: Curso para predecir el cáncer de mama mediante el aprendizaje automático

Te puede interesar también:

¿Para quién es este curso?

  • ¿Interesado en el campo del aprendizaje automático? ¡Entonces este curso es para ti!
  • Este curso fue diseñado para ser su guía para aprender a usar el poder de Python para analizar datos, crear una buena visualización hermosa para una mejor comprensión y usar algunos algoritmos de aprendizaje automático poderosos.
  • Este curso también le dará un recorrido práctico paso a paso en el mundo del aprendizaje automático y lo asombroso que es hacer predicciones sobre algunos problemas serios de la vida real. Este curso no solo lo ayudará a desarrollar nuevas habilidades y mejorar su comprensión, sino que también aumentará la confianza en usted.

Requisitos

  • Conceptos básicos de Python
  • Algún nivel de matemáticas de secundaria.
  • Algo de experiencia en programación

Lo que aprenderás

  • Utilice Python para el aprendizaje automático para clasificar el cáncer de mama como maligno o benigno.
  • Implementar algoritmos de aprendizaje automático
  • Análisis exploratorio de datos
  • Aprenda a usar Pandas para el análisis de datos
  • Aprenda a usar NumPy para datos numéricos
  • Aprenda a usar Matplotlib para el trazado de Python
  • Utilice Plotly para visualizaciones dinámicas interactivas
  • Aprenda a utilizar Seaborn para la representación gráfica de Python
  • Regresión logística
  • Árboles de decisión y bosque aleatorio

¿Quieres más cursos gratis?

Únete a nuestro canal en Telegram con cientos de cursos gratis publicados diariamente

Curso gratis en Udemy

Con los cursos gratis de Udemy puedes aprender muchas cosas sin tener que gastar en ello. Pero primero debes tener en cuenta varias cosas:

Contenido Gratuito

Los cursos gratis de Udemy te permiten aprender nuevas cosas sin tener que pagar. Aprovecha la oportunidad.

Aprendizaje

Pon en práctica todos tus conocimientos aprendidos. Realiza increíbles proyectos basados en el mundo real.

Limites

Debes tener en cuenta que todos los cursos gratuitos de Udemy son de máximo 2 horas y no incluyen un certificado.

Este curso se encuentra disponible de manera gratuita sin necesidad de ningún cupón, a través de la opción “GRATIS”.

Te recomendamos primero leer las diferencias entre un curso gratis y uno de pago para evitar malentendidos:

Cursos gratuitos
  • Contenido de vídeo en línea
Cursos de pago
  • Contenido de vídeo en línea
  • Certificado de finalización
  • Preguntas y respuestas de los instructores
  • Mensaje directo para el instructor

Aunque los cursos son colocados de manera gratuita, es posible que el autor del curso pueda cambiarlos a modalidad de pago, por lo cual te recomendamos revisar muy bien las características del curso.

Para obtener el curso de manera gratuita usa el siguiente botón:


Deja tus comentarios y sugerencias


Sobre Facialix

Facialix es un sitio web que tiene como objetivo apoyar en el aprendizaje y educación de jóvenes y grandes. Buscando y categorizando recursos educativos gratuitos de internet, de esta manera Facialix ayuda en el constante aprendizaje de todos.


Deja una respuesta

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.