Agregación Bootstrap (Bagging) en Python
La Agregación Bootstrap , comúnmente conocida como Bagging (Bootstrap Aggregating) , es una técnica de machine learning en conjunto (ensemble learning) que se utiliza para mejorar la precisión y la estabilidad de los modelos de predicción. La idea detrás de Bagging es entrenar múltiples modelos, cada uno en una muestra aleatoria con reemplazo (bootstrap) del conjunto de datos original, y luego combinar las predicciones de estos modelos para obtener una predicción final más robusta y generalizada.
En Python, puedes implementar Bagging utilizando la biblioteca
scikit-learn
, que proporciona una clase llamada
BaggingClassifier
para aplicar esta técnica a diferentes clasificadores. También existe
BaggingRegressor
para problemas de regresión.
Ejemplo de Bagging con clasificación
A continuación, te mostraré un ejemplo simple de cómo utilizar Bagging con el clasificador de árboles de decisión (
DecisionTreeClassifier
) en Python:
Ejemplo
# C
# Cargar el conjunto de datos de ejemplo (iris dataset)
iris = load_iris()
X, y = iX, y = iris.data, iris.target
# Dividir el conjunto de datos en entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Crear el clasificador base (árbol de decisión)
base_classifier = DecisionTreeClassifier()
base_classifier = DecisionTreeClassifier()
# Crear el clasificador Bagging utilizando el clasificador base
bagging_classifier = BaggingClassifier(base_classifier, n_estimators=10, random_state=42)
# Entrenar el clasificador Bagging
bagging_classifier.fit(X_train, y_train)
# Realizar predicciones en el conjunto de prueba
y_pred = bagging_classifier.predict(X_test)
# Entrenar el clasificador Bagging
bagging_classifier.fit(X_train, y_train)
# Realizar predicciones en el conjunto de prueba
y_pred = bagging_classifier.predict(X_test)
# Ca
# Calcular la precisión del clasificador Bagging
accuracy = accuracy_score(y_test, y_pred)
print("Precisión del clasificador Bagging:", accuracy)
En este ejemplo, cargamos el conjunto de datos de iris, dividimos los datos en conjuntos de entrenamiento y prueba, y creamos un clasificador de árboles de decisión (
base_classifier
). Luego, creamos un clasificador Bagging (
bagging_classifier
) utilizando el clasificador base y especificando el número de estimadores (10 en este caso).
Finalmente, entrenamos el clasificador Bagging con los datos de entrenamiento y hacemos predicciones en el conjunto de prueba para calcular su precisión.
Este es solo un ejemplo básico de cómo utilizar Bagging en Python con
scikit-learn
. Puedes experimentar con diferentes clasificadores base y ajustar los parámetros para obtener un mejor rendimiento en tus propios problemas de aprendizaje automático.
Ejemplo de Bagging para Regresión
En este código, se muestra un ejemplo de cómo aplicar Bagging a un problema de regresión en Python utilizando la biblioteca
scikit-learn
. Se importan las bibliotecas necesarias, se carga el conjunto de datos de Boston Housing, se divide en conjuntos de entrenamiento y prueba, se crea el regresor base (árbol de decisión), y se crea y entrena el regresor Bagging con 10 estimadores.
Finalmente, se realizan predicciones en el conjunto de prueba y se calcula el error cuadrático medio (MSE) del regresor Bagging utilizando la métrica
mean_squared_error
.
Ejemplo
print("voy a aprender python de forma fácil")
En ambos casos, para clasificación y para regresión, se utilizan conjuntos de datos de ejemplo (
iris dataset
para clasificación y
boston housing dataset
para regresión). Se crea un clasificador o regresor base (árbol de decisión) y luego se utiliza la clase
BaggingClassifier
o
BaggingRegressor
para aplicar la técnica de Agregación Bootstrap con 10 estimadores. Luego, se entrenan los modelos, se hacen predicciones y se evalúan utilizando métricas apropiadas (precisión para clasificación y error cuadrático medio para regresión).
Estos ejemplos son solo una introducción a la aplicación de Bagging en Python. Puedes experimentar con diferentes clasificadores o regresores base, así como ajustar los parámetros para obtener el mejor rendimiento en tus propios problemas de aprendizaje automático.
Practica Agregación Bootstrap (Bagging) en Python en el editor
Pon en práctica lo aprendido con nuestro editor Python interactivo. Cada ejercicio incluye el código de partida y un botón para abrirlo en una nueva pestaña, donde puedes modificarlo y ejecutarlo.
Ejercicio: Tu primer print()
Escribe tu primer programa Python con print(), como en el ejemplo de la lección.
Ejercicio: Varias líneas de salida
Practica varias llamadas a print() en un mismo programa.
Ejemplo
print("voy a aprender python de forma fácil")
nombre = "The Data Schools"
print("Hola desde", nombre)