XGBoost y seleccion de variables: Regresión con Python | Análisis de datos | Aprendizaje supervisado скачать в хорошем качестве

XGBoost y seleccion de variables: Regresión con Python | Análisis de datos | Aprendizaje supervisado

Como la seleccion de variables mejora el desempeño de nuestros modelos? Quieres aprender las etapas del machine learning paso a paso con XGB?? En este maravilloso episodio, cubriremos un análisis completo paso a paso del aprendizaje automático para la regresión a través del regresor de gradiente extremo XGBoost usando el Real estate valuation con python JUPYTER NOTEBOOK. Haciendo uso de Pandas para la manipulación de datos, matplotlib para la creación de gráficos, sklearn para llamar a funciones de rendimiento y XGBoost para el regresor y creacion del modelo. Objetivo: Regresion y prediccion de de Precios de casas Seleccion de variables mediante: Regresion lineal multiple: variables significativas Correlacion entre variables: evitar multicolinearidad Recursive Feature Elimination RFECV: recursividad y eliminacion Que es cross validation?? Como funciona la validacion cruzada Dividir los datos en train y test Desempeno de modelo XGB con menos variables (Parsimonia) Comparativa con anterior modelo de video #2 Datos: https://archive.ics.uci.edu/ml/datase... Video No.1:    • XGBoost: Regresión paso a paso con Python ...   ​- Los datos: dónde y cuál es el conjunto de datos ​- ¿Análisis exploratorio? ¿Visualización? ​- Selección y Codificación de variables ​- Dividir conjunto en entrenamiento y testing ​- Árboles de decisión y potenciación, como funciona el extreme gradient boosting? ​- Construyendo y ajustando el modelo ​- Interpretación de la importancia de la variable ​- Predicción de nuevos valores ​- R2 y el error cuadratico medio MSE ​- Sobreajuste (overfitting) o bajo ajuste Feature Engineering en Video No.2:    • XGBoost y feature engineering: Regresión c...   Tratamiento de los valores extremos (outliers) Creacion o mejora de variables mediante Date y time Selección y eliminacion de variables: elegir las variables a utilizar Hiperparámetros y parámetros: tasa de aprendizaje, profundidad máxima, gpu_id, ​número de estimadores ​- Medición del desempeño usando coeficiente de determinacion R2 y el mean squared error o error cuadratico medio MSE ​- Sobreajuste (overfitting), desajuste y bajo ajuste del modelo, como saberlo? ​- ¿Cómo mejorar el rendimiento? ¿Ingeniería de variables? Ajuste de hiperparametros:    • Regresion XGBoost Ajuste de hiperparametro...   Explicando los hiperparametros del XGB learning rate, max_depth, gamma, Regularization, alpha, child_weight, number of estimators Aplicando Grid Search con gridSearchCV Ejecucion del mejor modelo segun parametros Cualquier comentario o sugerencia es bienvenido. Contacto: raulvalerio@gmail.com My youtube channel in English:    / @rvstats_eng   Machine learning en Python    • Python | Regresion lineal multiple y compr...   Machine learning en R    • Machine Learning   Algoritmo de Clustering HDBSCAN, Kmeans con R    • Algoritmos de Clustering en R/Rstudio | Cl...   Algoritmos de clustering jerarquicos en R    • Hierarchical Clustering | Agrupamiento jer...   Algoritmos de clustering jerarquicos en python    • V-1: Clustering jerarquico con Python: skl...   Algoritmo HDBSCAN:    • V1: Que es clustering con HDBSCAN | Python...   Algoritmo de K-means: Que es Kmeans y centroides:    • V3: Numero Adecuado de Clusters K-Means | ...   Normalizacion y numero adecuado de clusters:    • V2: Clustering con K-means | Python y mine...   Metodo Elbow, Distorsion e Inercia:    • V1: Clustering con K-means | Python y mine...   Aprendizaje automático Aprendizaje supervisado y no supervisado análisis estadístico Factores Independiente y dependiente entrada y salida Machine learning and supervised learning overfitting, hyperparameter, classifier, classification, matrix input and output, statistical analysis