Please enable JavaScript.
Coggle requires JavaScript to display documents.
4.4 Ejemplo de predicción. - Coggle Diagram
4.4 Ejemplo de predicción.
La predicción en el contexto del aprendizaje automático implica el uso de modelos entrenados para hacer estimaciones o tomar decisiones basadas en datos nuevos. Aquí, se presenta un ejemplo utilizando Scikit-learn para construir un modelo de regresión lineal que prediga los precios de viviendas basándose en un conjunto de datos conocido.
Ejemplo de Predicción: Regresión Lineal con Scikit-learn
Paso 1: Importar las bibliotecas necesarias
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
import matplotlib.pyplot as plt
Paso 2: Cargar el conjunto de datos y prepararlo
from sklearn.datasets import fetch_california_housing
Cargar el conjunto de datos California Housing
california = fetch_california_housing()
X = california.data
y = california.target
Convertir a DataFrame para una mejor comprensión
df = pd.DataFrame(X, columns=california.feature_names)
df['MedHouseVal'] = y
Mostrar las primeras filas del DataFrame
df.head()
Paso 3: Dividir los datos en conjuntos de entrenamiento y prueba
Dividir el conjunto de datos en entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
Paso 4: Crear y entrenar el modelo de regresión lineal
Crear el modelo de regresión lineal
model = LinearRegression()
Entrenar el modelo
model.fit(X_train, y_train)
Paso 5: Hacer predicciones y evaluar el modelo
Hacer predicciones sobre el conjunto de prueba
y_pred = model.predict(X_test)
Evaluar el modelo
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"Error cuadrático medio (MSE): {mse}")
print(f"Coeficiente de determinación (R²): {r2}")
Paso 6: Visualizar las predicciones
Visualizar las predicciones
plt.figure(figsize=(10,