Algoritmos supervisados y de ensamble con python

Resumen
Introducción

Capítulo 1. Aprendizaje automático o Machine learning
1.1. Clasificación del aprendizaje automático
1.2. Etapas del proceso de Machine learning
1.2.1. Recopilación de los datos
1.2.2. Procesamiento de los datos
1.2.3. Transformación de los datos
1.2.4. Análisis de características
1.3. Introducción a python mediante scikit-learn
1.3.1. Instalación de Python
1.3.2. Proceso de carga de los datos
1.3.3. Transformación Yeo-Johnson
1.3.4. Selección de características

Capítulo 2. Datos de remuestreo
2.1. Retención de los datos (método aleatorio)
2.2. Validación cruzada K-Fold
2.3. Validación cruzada usando K-fold y método de retención
2.4. Clases desequilibradas o desbalanceadas

Capítulo 3. Datos de remuestreo
3.1. Exactitud
3.4. Especificidad
3.6. Curva roc -auc
3.7. Error Cuadrático Medio (rmse)
3.8. Error Absoluto Medio (Mae)
3.9. R Cuadrado (R2)
3.10. Estrategias para mejorar datos desequilibrados
3.10.1. Sobremuestreo aleatorio (Random Oversampling)
3.10.2. Submuestreo aleatorio (Random Undersampling)

Capítulo 4. Algoritmos supervisados
4.1. Hiperparámetros para supervisados (clasificación)
4.2. Regresión logística
4.3. Análisis Discriminante Lineal (LDA)
4.3.1. Optimizar hiperparámetros para LDA
4.4. Naive Bayes
4.4.1. Optimizar hiperparámetros para Naive Bayes
4.5. K_Vecinos Más Cercanos. Knn (k-nearest neighbor)
4.5.1. Optimizar hiperparámetros para KNN
4.6. Árboles de decisión
4.6.1. Optimizar hiperparámetros para árbol de decisión
4.7. Máquina de Vector de Soporte (SVM)
4.7.1. Optimizar hiperparámetros para SVC
4.8. Hiperparámetros para supervisados (regresión)
4.9. Regresión lineal
4.9.1. Optimizar hiperparámetros para Regresión Lineal
4.10. Regresión Lasso
4.10.1. Optimizar hiperparámetros para Regresión Lasso
4.11. Regresión Ridge
4.11.1. Optimizar hiperparámetros para Regresión Ridge
4.12. Algoritmos para clasificación y regresión
4.12.1. Optimizar hiperparámetros de algoritmos de clasificación/regresión
4.13. Comparativo de resultados de regresión
4.14. Predicción de la variable de salida

Capítulo 5. Algoritmos de ensamble
5.1. Hiperparámetros para ensamble

Capítulo 6. Algoritmos de ensamble: bagging
6.1. Bagging con árboles de decisión
6.1.1. Optimizar hiperparámetros para Bagging con árboles de decisión
6.2. Random Forest
6.2.1. Optimizar hiperparámetros para Bosque aleatorio (Random Forest)
6.3. Extratreesclassifier
6.3.1. Optimizar hiperparámetros para ExtraTreesClassifier

Capítulo 7. Algoritmos de ensamble: boosting
7.1. Adaboost
7.1.1. Optimizar hiperparámetros para AdaBoost
7.2. GBM
7.3. XGBoost
7.3.1. Optimizar hiperparámetros para XGBoost
7.4. CaTBoost
7.4.1. Optimizar hiperparámetros para CatBoost
7.5. Light GBM
7.5.1. Optimizar hiperparámetros para Light GBM
7.6. Predicción de la variable de salida

Capítulo 8. Algoritmos de ensamble: voting

Bibliografía