Click here to view the next lesson.

Capítulo 14: Aprendizaje Supervisado

14.4 Ejercicios Prácticos Capítulo 14

Ejercicio 1: Implementación de Regresión Lineal Simple

Tu primera tarea es implementar la regresión lineal simple desde cero. Predecirás los precios de las casas en función del número de habitaciones.

Conjunto de datos: Puedes generar o encontrar un pequeño conjunto de datos que contenga los precios de las casas y el número de habitaciones.

import numpy as np
import matplotlib.pyplot as plt

# Sample Data
X = np.array([1, 2, 3, 4, 5])  # Number of bedrooms
y = np.array([100, 150, 200, 250, 300])  # House prices in thousands

# Implement simple linear regression here

Ejercicio 2: Clasificar Especies de Iris Usando k-NN

Conjunto de Datos: Utiliza el famoso conjunto de datos Iris, que está disponible a través de scikit-learn.

from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier

# Load data
iris = load_iris()

# Train a k-NN classifier

Ejercicio 3: Clasificador de Árbol de Decisión para Datos de Cáncer de Mama

Conjunto de Datos: Utiliza el conjunto de datos de Cáncer de Mama de scikit-learn.

from sklearn.datasets import load_breast_cancer
from sklearn.tree import DecisionTreeClassifier

# Load data
data = load_breast_cancer()

# Create and train a Decision Tree classifier

Soluciones

Solución Ejercicio 1:

# Code for simple linear regression
slope = np.sum((X - np.mean(X)) * (y - np.mean(y))) / np.sum((X - np.mean(X)) ** 2)
intercept = np.mean(y) - slope * np.mean(X)

# Predictions
y_pred = slope * X + intercept

Solución Ejercicio 2:

# Code for k-NN classifier
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(iris['data'], iris['target'])

Solución Ejercicio 3:

# Code for Decision Tree classifier
clf = DecisionTreeClassifier(random_state=42)
clf.fit(data.data, data.target)

Cada uno de estos ejercicios te brindará experiencia práctica con diferentes algoritmos de aprendizaje supervisado. Te ayudarán a comprender las matemáticas subyacentes, las suposiciones involucradas y cómo evaluar tus modelos. ¡Feliz codificación!

14.4 Ejercicios Prácticos Capítulo 14

Ejercicio 1: Implementación de Regresión Lineal Simple

Tu primera tarea es implementar la regresión lineal simple desde cero. Predecirás los precios de las casas en función del número de habitaciones.

Conjunto de datos: Puedes generar o encontrar un pequeño conjunto de datos que contenga los precios de las casas y el número de habitaciones.

import numpy as np
import matplotlib.pyplot as plt

# Sample Data
X = np.array([1, 2, 3, 4, 5])  # Number of bedrooms
y = np.array([100, 150, 200, 250, 300])  # House prices in thousands

# Implement simple linear regression here

Ejercicio 2: Clasificar Especies de Iris Usando k-NN

Conjunto de Datos: Utiliza el famoso conjunto de datos Iris, que está disponible a través de scikit-learn.

from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier

# Load data
iris = load_iris()

# Train a k-NN classifier

Ejercicio 3: Clasificador de Árbol de Decisión para Datos de Cáncer de Mama

Conjunto de Datos: Utiliza el conjunto de datos de Cáncer de Mama de scikit-learn.

from sklearn.datasets import load_breast_cancer
from sklearn.tree import DecisionTreeClassifier

# Load data
data = load_breast_cancer()

# Create and train a Decision Tree classifier

Soluciones

Solución Ejercicio 1:

# Code for simple linear regression
slope = np.sum((X - np.mean(X)) * (y - np.mean(y))) / np.sum((X - np.mean(X)) ** 2)
intercept = np.mean(y) - slope * np.mean(X)

# Predictions
y_pred = slope * X + intercept

Solución Ejercicio 2:

# Code for k-NN classifier
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(iris['data'], iris['target'])

Solución Ejercicio 3:

# Code for Decision Tree classifier
clf = DecisionTreeClassifier(random_state=42)
clf.fit(data.data, data.target)

14.4 Ejercicios Prácticos Capítulo 14

Ejercicio 1: Implementación de Regresión Lineal Simple

Tu primera tarea es implementar la regresión lineal simple desde cero. Predecirás los precios de las casas en función del número de habitaciones.

Conjunto de datos: Puedes generar o encontrar un pequeño conjunto de datos que contenga los precios de las casas y el número de habitaciones.

import numpy as np
import matplotlib.pyplot as plt

# Sample Data
X = np.array([1, 2, 3, 4, 5])  # Number of bedrooms
y = np.array([100, 150, 200, 250, 300])  # House prices in thousands

# Implement simple linear regression here

Ejercicio 2: Clasificar Especies de Iris Usando k-NN

Conjunto de Datos: Utiliza el famoso conjunto de datos Iris, que está disponible a través de scikit-learn.

from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier

# Load data
iris = load_iris()

# Train a k-NN classifier

Ejercicio 3: Clasificador de Árbol de Decisión para Datos de Cáncer de Mama

Conjunto de Datos: Utiliza el conjunto de datos de Cáncer de Mama de scikit-learn.

from sklearn.datasets import load_breast_cancer
from sklearn.tree import DecisionTreeClassifier

# Load data
data = load_breast_cancer()

# Create and train a Decision Tree classifier

Soluciones

Solución Ejercicio 1:

# Code for simple linear regression
slope = np.sum((X - np.mean(X)) * (y - np.mean(y))) / np.sum((X - np.mean(X)) ** 2)
intercept = np.mean(y) - slope * np.mean(X)

# Predictions
y_pred = slope * X + intercept

Solución Ejercicio 2:

# Code for k-NN classifier
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(iris['data'], iris['target'])

Solución Ejercicio 3:

# Code for Decision Tree classifier
clf = DecisionTreeClassifier(random_state=42)
clf.fit(data.data, data.target)

14.4 Ejercicios Prácticos Capítulo 14

Ejercicio 1: Implementación de Regresión Lineal Simple

Tu primera tarea es implementar la regresión lineal simple desde cero. Predecirás los precios de las casas en función del número de habitaciones.

Conjunto de datos: Puedes generar o encontrar un pequeño conjunto de datos que contenga los precios de las casas y el número de habitaciones.

import numpy as np
import matplotlib.pyplot as plt

# Sample Data
X = np.array([1, 2, 3, 4, 5])  # Number of bedrooms
y = np.array([100, 150, 200, 250, 300])  # House prices in thousands

# Implement simple linear regression here

Ejercicio 2: Clasificar Especies de Iris Usando k-NN

Conjunto de Datos: Utiliza el famoso conjunto de datos Iris, que está disponible a través de scikit-learn.

from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier

# Load data
iris = load_iris()

# Train a k-NN classifier

Ejercicio 3: Clasificador de Árbol de Decisión para Datos de Cáncer de Mama

Conjunto de Datos: Utiliza el conjunto de datos de Cáncer de Mama de scikit-learn.

from sklearn.datasets import load_breast_cancer
from sklearn.tree import DecisionTreeClassifier

# Load data
data = load_breast_cancer()

# Create and train a Decision Tree classifier

Soluciones

Solución Ejercicio 1:

# Code for simple linear regression
slope = np.sum((X - np.mean(X)) * (y - np.mean(y))) / np.sum((X - np.mean(X)) ** 2)
intercept = np.mean(y) - slope * np.mean(X)

# Predictions
y_pred = slope * X + intercept

Solución Ejercicio 2:

# Code for k-NN classifier
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(iris['data'], iris['target'])

Solución Ejercicio 3:

# Code for Decision Tree classifier
clf = DecisionTreeClassifier(random_state=42)
clf.fit(data.data, data.target)

Compra este libro