Proyecto 2: Predicción de precios de casas
Construcción y Evaluación del Modelo
Después de haber creado algunas características maravillosas para nuestro conjunto de datos, ahora estamos listos para la gran final, ¡la parte donde realmente construimos nuestro modelo predictivo! Emocionante, ¿verdad? Sumérgete.
División de los Datos
Lo primero que debemos hacer es dividir nuestro conjunto de datos en conjuntos de entrenamiento y prueba. De esta manera, podemos evaluar qué tan bien funciona nuestro modelo en datos no vistos.
from sklearn.model_selection import train_test_split
# Features and target variable
X = df.drop('House_Price', axis=1)
y = df['House_Price']
# Split the data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)Selección del Modelo
Para predecir los precios de las casas, un algoritmo de regresión sería más apropiado. Comencemos con un modelo simple de Regresión Lineal.
from sklearn.linear_model import LinearRegression
# Initialize the model
model = LinearRegression()
# Train the model
model.fit(X_train, y_train)Evaluación del Modelo
Después del entrenamiento, es crítico evaluar qué tan bien está funcionando nuestro modelo. Utilizaremos métricas como el R-cuadrado y el Error Cuadrático Medio (RMSE) para este propósito.
from sklearn.metrics import mean_squared_error, r2_score
# Predict on test data
y_pred = model.predict(X_test)
# Evaluate the model
r2 = r2_score(y_test, y_pred)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f'R2 Score: {r2}')
print(f'RMSE: {rmse}')Ajuste Fino
Si los resultados no son satisfactorios, considera ajustar finamente tu modelo agregando regularización, o prueba modelos más avanzados como Bosques Aleatorios o Impulso Gradiente.
from sklearn.ensemble import RandomForestRegressor
# Initialize the Random Forest model
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
# Train the model
rf_model.fit(X_train, y_train)
# Evaluate the model
rf_y_pred = rf_model.predict(X_test)
rf_r2 = r2_score(y_test, rf_y_pred)
rf_rmse = np.sqrt(mean_squared_error(y_test, rf_y_pred))
print(f'Random Forest R2 Score: {rf_r2}')
print(f'Random Forest RMSE: {rf_rmse}')Exportar el Modelo Entrenado
import joblib
# Save the model as a binary file
joblib.dump(your_final_model, 'house_price_predictor.pkl')Después de todo tu arduo trabajo entrenando y ajustando finamente tu modelo, es posible que desees guardarlo para uso futuro. Al exportar el modelo usando joblib, luego puedes volver a cargarlo para hacer predicciones sobre nuevos datos sin tener que volver a entrenarlo.
¡Y listo! Has completado tu viaje desde la recolección de datos hasta la construcción y evaluación de un modelo. Este viaje te ayudará a comprender la esencia del aprendizaje automático y cómo usarlo para resolver problemas del mundo real como predecir precios de casas.
Recuerda, el aprendizaje automático es tanto un arte como una ciencia. Es un proceso iterativo que requiere mucho ajuste fino y experimentación. Así que no te desanimes si tu primer modelo no es perfecto. Con la práctica, te volverás más experto en saber qué características ingeniar, qué modelos usar y cómo ajustarlos.
¡Gracias por seguir adelante!
Construcción y Evaluación del Modelo
Después de haber creado algunas características maravillosas para nuestro conjunto de datos, ahora estamos listos para la gran final, ¡la parte donde realmente construimos nuestro modelo predictivo! Emocionante, ¿verdad? Sumérgete.
División de los Datos
Lo primero que debemos hacer es dividir nuestro conjunto de datos en conjuntos de entrenamiento y prueba. De esta manera, podemos evaluar qué tan bien funciona nuestro modelo en datos no vistos.
from sklearn.model_selection import train_test_split
# Features and target variable
X = df.drop('House_Price', axis=1)
y = df['House_Price']
# Split the data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)Selección del Modelo
Para predecir los precios de las casas, un algoritmo de regresión sería más apropiado. Comencemos con un modelo simple de Regresión Lineal.
from sklearn.linear_model import LinearRegression
# Initialize the model
model = LinearRegression()
# Train the model
model.fit(X_train, y_train)Evaluación del Modelo
Después del entrenamiento, es crítico evaluar qué tan bien está funcionando nuestro modelo. Utilizaremos métricas como el R-cuadrado y el Error Cuadrático Medio (RMSE) para este propósito.
from sklearn.metrics import mean_squared_error, r2_score
# Predict on test data
y_pred = model.predict(X_test)
# Evaluate the model
r2 = r2_score(y_test, y_pred)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f'R2 Score: {r2}')
print(f'RMSE: {rmse}')Ajuste Fino
Si los resultados no son satisfactorios, considera ajustar finamente tu modelo agregando regularización, o prueba modelos más avanzados como Bosques Aleatorios o Impulso Gradiente.
from sklearn.ensemble import RandomForestRegressor
# Initialize the Random Forest model
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
# Train the model
rf_model.fit(X_train, y_train)
# Evaluate the model
rf_y_pred = rf_model.predict(X_test)
rf_r2 = r2_score(y_test, rf_y_pred)
rf_rmse = np.sqrt(mean_squared_error(y_test, rf_y_pred))
print(f'Random Forest R2 Score: {rf_r2}')
print(f'Random Forest RMSE: {rf_rmse}')Exportar el Modelo Entrenado
import joblib
# Save the model as a binary file
joblib.dump(your_final_model, 'house_price_predictor.pkl')Después de todo tu arduo trabajo entrenando y ajustando finamente tu modelo, es posible que desees guardarlo para uso futuro. Al exportar el modelo usando joblib, luego puedes volver a cargarlo para hacer predicciones sobre nuevos datos sin tener que volver a entrenarlo.
¡Y listo! Has completado tu viaje desde la recolección de datos hasta la construcción y evaluación de un modelo. Este viaje te ayudará a comprender la esencia del aprendizaje automático y cómo usarlo para resolver problemas del mundo real como predecir precios de casas.
Recuerda, el aprendizaje automático es tanto un arte como una ciencia. Es un proceso iterativo que requiere mucho ajuste fino y experimentación. Así que no te desanimes si tu primer modelo no es perfecto. Con la práctica, te volverás más experto en saber qué características ingeniar, qué modelos usar y cómo ajustarlos.
¡Gracias por seguir adelante!
Construcción y Evaluación del Modelo
Después de haber creado algunas características maravillosas para nuestro conjunto de datos, ahora estamos listos para la gran final, ¡la parte donde realmente construimos nuestro modelo predictivo! Emocionante, ¿verdad? Sumérgete.
División de los Datos
Lo primero que debemos hacer es dividir nuestro conjunto de datos en conjuntos de entrenamiento y prueba. De esta manera, podemos evaluar qué tan bien funciona nuestro modelo en datos no vistos.
from sklearn.model_selection import train_test_split
# Features and target variable
X = df.drop('House_Price', axis=1)
y = df['House_Price']
# Split the data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)Selección del Modelo
Para predecir los precios de las casas, un algoritmo de regresión sería más apropiado. Comencemos con un modelo simple de Regresión Lineal.
from sklearn.linear_model import LinearRegression
# Initialize the model
model = LinearRegression()
# Train the model
model.fit(X_train, y_train)Evaluación del Modelo
Después del entrenamiento, es crítico evaluar qué tan bien está funcionando nuestro modelo. Utilizaremos métricas como el R-cuadrado y el Error Cuadrático Medio (RMSE) para este propósito.
from sklearn.metrics import mean_squared_error, r2_score
# Predict on test data
y_pred = model.predict(X_test)
# Evaluate the model
r2 = r2_score(y_test, y_pred)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f'R2 Score: {r2}')
print(f'RMSE: {rmse}')Ajuste Fino
Si los resultados no son satisfactorios, considera ajustar finamente tu modelo agregando regularización, o prueba modelos más avanzados como Bosques Aleatorios o Impulso Gradiente.
from sklearn.ensemble import RandomForestRegressor
# Initialize the Random Forest model
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
# Train the model
rf_model.fit(X_train, y_train)
# Evaluate the model
rf_y_pred = rf_model.predict(X_test)
rf_r2 = r2_score(y_test, rf_y_pred)
rf_rmse = np.sqrt(mean_squared_error(y_test, rf_y_pred))
print(f'Random Forest R2 Score: {rf_r2}')
print(f'Random Forest RMSE: {rf_rmse}')Exportar el Modelo Entrenado
import joblib
# Save the model as a binary file
joblib.dump(your_final_model, 'house_price_predictor.pkl')Después de todo tu arduo trabajo entrenando y ajustando finamente tu modelo, es posible que desees guardarlo para uso futuro. Al exportar el modelo usando joblib, luego puedes volver a cargarlo para hacer predicciones sobre nuevos datos sin tener que volver a entrenarlo.
¡Y listo! Has completado tu viaje desde la recolección de datos hasta la construcción y evaluación de un modelo. Este viaje te ayudará a comprender la esencia del aprendizaje automático y cómo usarlo para resolver problemas del mundo real como predecir precios de casas.
Recuerda, el aprendizaje automático es tanto un arte como una ciencia. Es un proceso iterativo que requiere mucho ajuste fino y experimentación. Así que no te desanimes si tu primer modelo no es perfecto. Con la práctica, te volverás más experto en saber qué características ingeniar, qué modelos usar y cómo ajustarlos.
¡Gracias por seguir adelante!
Construcción y Evaluación del Modelo
Después de haber creado algunas características maravillosas para nuestro conjunto de datos, ahora estamos listos para la gran final, ¡la parte donde realmente construimos nuestro modelo predictivo! Emocionante, ¿verdad? Sumérgete.
División de los Datos
Lo primero que debemos hacer es dividir nuestro conjunto de datos en conjuntos de entrenamiento y prueba. De esta manera, podemos evaluar qué tan bien funciona nuestro modelo en datos no vistos.
from sklearn.model_selection import train_test_split
# Features and target variable
X = df.drop('House_Price', axis=1)
y = df['House_Price']
# Split the data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)Selección del Modelo
Para predecir los precios de las casas, un algoritmo de regresión sería más apropiado. Comencemos con un modelo simple de Regresión Lineal.
from sklearn.linear_model import LinearRegression
# Initialize the model
model = LinearRegression()
# Train the model
model.fit(X_train, y_train)Evaluación del Modelo
Después del entrenamiento, es crítico evaluar qué tan bien está funcionando nuestro modelo. Utilizaremos métricas como el R-cuadrado y el Error Cuadrático Medio (RMSE) para este propósito.
from sklearn.metrics import mean_squared_error, r2_score
# Predict on test data
y_pred = model.predict(X_test)
# Evaluate the model
r2 = r2_score(y_test, y_pred)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f'R2 Score: {r2}')
print(f'RMSE: {rmse}')Ajuste Fino
Si los resultados no son satisfactorios, considera ajustar finamente tu modelo agregando regularización, o prueba modelos más avanzados como Bosques Aleatorios o Impulso Gradiente.
from sklearn.ensemble import RandomForestRegressor
# Initialize the Random Forest model
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
# Train the model
rf_model.fit(X_train, y_train)
# Evaluate the model
rf_y_pred = rf_model.predict(X_test)
rf_r2 = r2_score(y_test, rf_y_pred)
rf_rmse = np.sqrt(mean_squared_error(y_test, rf_y_pred))
print(f'Random Forest R2 Score: {rf_r2}')
print(f'Random Forest RMSE: {rf_rmse}')Exportar el Modelo Entrenado
import joblib
# Save the model as a binary file
joblib.dump(your_final_model, 'house_price_predictor.pkl')Después de todo tu arduo trabajo entrenando y ajustando finamente tu modelo, es posible que desees guardarlo para uso futuro. Al exportar el modelo usando joblib, luego puedes volver a cargarlo para hacer predicciones sobre nuevos datos sin tener que volver a entrenarlo.
¡Y listo! Has completado tu viaje desde la recolección de datos hasta la construcción y evaluación de un modelo. Este viaje te ayudará a comprender la esencia del aprendizaje automático y cómo usarlo para resolver problemas del mundo real como predecir precios de casas.
Recuerda, el aprendizaje automático es tanto un arte como una ciencia. Es un proceso iterativo que requiere mucho ajuste fino y experimentación. Así que no te desanimes si tu primer modelo no es perfecto. Con la práctica, te volverás más experto en saber qué características ingeniar, qué modelos usar y cómo ajustarlos.
¡Gracias por seguir adelante!