scikit-learn

Support Vector Machines (SVM)

Clasificación y principales características Más comúnmente se utilizan para tareas de clasificación, aunque también se adaptan a problemas de regresión y de detección de valores atípicos.

SVM - Práctica de regresión con SVR

python import pandas as pd from sklearn.svm import SVR from sklearn.

SVM - Práctica de clasificación con SVC

python from sklearn.datasets import load_digits import matplotlib.pyplot as plt from sklearn.

SVM - Práctica de clasificación con SVC (caso sencillo)

python import matplotlib.pyplot as plt from sklearn.svm import SVC python x_coord = [1, 0.

Reducción de dimensionalidad

La reducción de la dimensionalidad es una de las técnicas básicas de preprocesado de datos, que consiste en la reducción del número de variables.

Clasificación y principales características El algoritmo KNN es: De clasificación, principalmente, aunque también se adapta a problemas de regresión: si las etiquetas de los datos de entrenamiento son variables continuas en lugar de variables discretas, la etiqueta asignada a un nuevo punto se calcula en función de la media de las etiquetas de sus k vecinos más cercanos.

Mostrando elementos de scikit-learn

Support Vector Machines (SVM)

SVM - Práctica de regresión con SVR

SVM - Práctica de clasificación con SVC

SVM - Práctica de clasificación con SVC (caso sencillo)

Reducción de dimensionalidad

Nearest Neighbors

Nearest Neighbors - Práctica de regresión

Nearest Neighbors - Práctica de clasificación

Ensemble methods - Práctica

Decision Trees