Це відео не доступне.
Перепрошуємо.
Uso de Pipelines en tus modelos | Machine Learning idealista | Python | Inteligencia artificial
Вставка
- Опубліковано 11 жов 2022
- CURSO DE INTRODUCCIÓN A PYTHON: javidatascienc...
Página web: javidatascienc...
javidatascienc...
Es mi newsletter en la que envío correitos cada dos semanas hablando sobre programación, data science, data engineering y mundo empresarial.
En este video te enseño a mejorar la métrica del modelo de inteligencia artificial que creé en el video anterior, sobre predicción del precio de las casas gracias a los datos de idealista.
Está hecho en python y he usado web scrapping, técnicas de data engineering, análisis de datos y machine learning.
Escríbeme con cualquier duda que tengas.
Un saludo!
Data science en español.
Correo: javidatascience@gmail.com
Hola Javi, muchas gracias por el contenido. Estoy aprendiendo sobre data science, y es primera vez que veo en la práctica las aplicaciones de un modelo de machine learning. Enhorabuena!
Muchas Gracias por el comentario Pablo, un saludo!
gracias profesor por compartir sus conocimientos!
Gracias Antonieta!
Muchas gracias por este video! explicas excelente el uso de pipelines, segui asi!
Gracias a ti!!
Muy buena toda la explicación, gracias 💪
Gracias a ti Lucas!!
Buen video. Hiciste algo que tuve que hacer hace unas semanas para entender los pasos. Eso es agarrar la predicción y colocarla junto a las variables usadas para predecir. Con eso se entiende el sentido de todo el trabajo y se ve un uso práctico.
Gracias Qvixote!
Me alegro de que te haya servido, espero que te sirvan los siguientes videos que iré compartiendo!
Un saludo!
Muchas gracias !
Super interesante!
Gracias Clara!
Excelente trabajo si pasaras el libro de datos ayudarías mucho con las practicas :" )
Gracias por el comentario! En cuanto lo suba a github, lo comparto!
Gran trabajo. Observación puntual: en 12:09 no estás mirando la correlación entre habitaciones y metros, estás mirando el plot entre LOS COEFICIENTES de habitaciones y metros... ¿pero de qué conjunto de datos surge cada punto??
¿No debería yo tener al correr la regresión un coeficiente por variable?
Gracias de antemano por tu respuesta.
Buena observación Mauro! Para la segunda pregunta, piensa que tienes un coeficiente para cada variable. Cada casa tiene un valor distinto en esas variables. Pues vemos lo que aporta cada variable multiplicado por su coeficiente. Así que los puntos proceden de las casas
¿Por qué multiplicas los coeficientes por la desviación típica? ¿Qué fundamente estadístico tiene esta operación? No sería lo correcto estandarizar la variable?
¡Muchas gracias por el vídeo!
Para tener los coeficientes estandarizados, que son más fáciles de interpretar. Y para ver que variables afectan mas al modelo!.
Buenas Javi, me chirria un poco la parte del final donde entrenas el modelo con todos los datos, no estas overffiteando el modelo?
Muy buen comentario. La idea es que, al tener ya un modelo que no podemos mejorar más, lo que hay que hacer a continuación es aprovechar todos los datos para afinarlo al máximo. A partir de aquí, se debería probar con casas que vayan llegando, pero eso no lo tenemos.
donde podemos encontrar el notebook?
La mayoría los comparto en mis clases :)