Data Science: Árboles y Bosques Aleatorios

Data Science: Árboles y Bosques Aleatorios - Árboles de Regresión

Los árboles de regresión son iguales que los de decisión, excepto que los árboles de regresión sirven para predecir una variable numérica en lugar de una categórica. Son útiles cuando no existe una relación lineal que nos permita predecir la variable con una regresión lineal:

Data Science: Árboles y Bosques Aleatorios - Algoritmos

Algoritmos para Árboles aleatorios:

Data Science: Árboles y Bosques Aleatorios - Entropía y ganancia de información

Entropía y ganancia de información:

Data Science: Árboles y Bosques Aleatorios - Introducción

Introducción.

Data Science: Clustering Propagación de la afinidad y resumen

Data Science: Clustering K-Means: Cómo obtener el número óptimo de clusters (Teoría)

Para obtener el número óptimo de clusters a utilizar para k-means, existen dos métodos que podemos utilizar: El método del codo y el coeficiente de la silueta.

Data Science: Clustering K-Means (Teoría)

Un clustering también se puede hacer por el método k-means:

Data Science: Clustering Jerárquico y Métodos de Enlace (Teoría)

Vamos a ver los diferentes métodos de enlace que se pueden utilizar para hacer un clustering jerárquico:

Data Science: Clustering y Distancia (Teoría)

Vamos a ver un poco de teoría de Clustering y el concepto de Distancia:

Data Science: Regresión Logística: Resumen Final

Data Science: Regresión Logística: Matrices de confusión y curvas ROC (Teoría)

Vamos a ver teoría en imágenes más validaciones de regresiones logísticas. En concreto, matrices de confusión y curvas ROC:

Data Science: Regresión Logística: Validaciones Cruzadas (Teoría)

Vamos a ver un resumen con imágenes de los tipos de validaciones cruzadas que existen:

Data Science: Regresión Logística: Introducción

Vamos a ver qué es una Regresión Logística: