Integrantes:
- Devesa, Maria Roberta.
- Feldfeber, Ivana.
- Finzi, Nadia.
- Kinigsberg, Ezequiel.
- Villafañe, Roxana Noelia
En este repositorio se encuentran los dos notebooks correspondientes a los dos entregables de la materia: "Introducción al Aprendizaje Automático.
- Repositorio de Github de la materia: https://github.com/DiploDatos/IntroduccionAprendizajeAutomatico
En esta primer entrega se trabajó con el dataset de Boston House Prices, el cual está disponible en el UCI Machine Learning https://archive.ics.uci.edu/ml/machine-learning-databases/housing/
(Para un análisis más detallado junto a los resultados y conclusiones correspondientes ver el notebook con nombre Labo-1-regresion.ipynb)
Este conjunto de datos contiene los valores de las propiedades en la región de Boston, donde se considera la información de:
CRIM: la taza de crimen per capita por barrio
ZN: proporción de tierra residencial, para lotes mayores a 25000 pies cuadrados
INDUS: proporción de hectáreas comerciales por barrio
CHAS: variable fictia del Río Charles. Vale 1 si el tramo limita con el río, si no 0.
NOX: concentración de óxido nítrico, en partes por millón.
RM: promedio de habitaciones por vivienda.
AGE: proporción de viviendas ocupadas por sus propietarios construidas antes de 1940.
DIS: distancias ponderadas a los cinco centros de empleo de Boston.
RAD: índice de accesibilidad a las autopistas ¿radiales?
TAX: tasa de impuesto a la propiedad por cada $10.000.
PTRATIO: proporción estudiante-docente por barrio.
B: 1000.(Bk - 0,63)^2 siendo Bk la proporción de gente de color por barrio.
LSTAT: porcentaje de población de menor status.
MEDV: valor medio de viviendas ocupadas por sus propietarios, en miles de dólares.
Notas
- Este dataset no contiene valores nulos, por lo que no es necesario hacer imputaciones.
- Durante este análisis no realizaron cálculos ni transformaciones matemáticas que tengan que ver limpieza y curación de datos.
Visualización de los Datos En esta instancia se realizaron gráficos exploratorios para identificar visualmente variables que son más importantes para los posteriores análisis, en este caso, de regresión.
Regresión lineal
Se eligió una variable del dataset, se realizó una regresión lineal simple y se evaluó la recta con las métricas correspondientes. Esta variable fue LSTAT.
Regresión Polinomial Con la misma variable del punto anterior, se realizó una regresión polinomial. Se evaluaron lo resultados correspondientes.
Regresión con más de una variable
Se eligieron 3 variables en total a partir del item de visualización de datos (LSTAT, RMy NOX), y se repitió la regresión polinomial con las variables seleccionadas.
En todos los casos se analizaron los errores de train y test. La métrica seleccionada fue el mean square error.
En esta segunda entrega se trabajó con el dataset de Home Equity dataset, el cual está disponible en Kaggle
https://www.kaggle.com/ajay1735/hmeq-data
(Para un análisis más detallado junto a los resultados y conclusiones correspondientes ver el notebook con nombre Labo-2.ipynb)
Variables del modelo:
'LOAN' (préstamo): Monto de la solicitud de préstamo
'MORTDUE': Monto adeudado de la hipoteca existente
'VALUE': Valor de la propiedad actual
'YOJ': Años en el trabajo actual
'DEROG': Número de reportes derogados
'DELINQ': Número de créditos adeudados
'CLAGE': Antigüedad de la línea de crédito más antigua (en meses)
'NINQ': Número de líneas de crédito recientes
'CLNO': Número de líneas de crédito
'DEBTINC': Relación deuda-ingresos
'TARGET': Vale 0 cuando el cliente pagó el préstamo, y 1 cuando no.
Variable a predecir: TARGET, que hace referencia a si se pagó o no el préstamo.
Notas
- Este dataset no contiene valores nulos, por lo que no es necesario hacer imputaciones.
- Durante este análisis no realizaron cálculos ni transformaciones matemáticas que tengan que ver limpieza y curación de datos.
En esta primer etapa se ajustaron modelos lineales de clasificación para predecir la variable objetivo.
En esta etapa se hizo un ajuste del algoritmo por defecto de SGDClassifier() . Solamente se fijo la semilla aleatoria para que sea reproducible.
Se reportaron valores de
Accuracy
Precision
Recall
F1
matriz de confusión
Se seleccionaron valores para los hiperparámetros del SGDClassifier. Se probaron diferentes funciones de loss, tasas de entrenamiento y tasas de regularización. Se utilizo un GridSearchCV y una validación cruzada de 5-fold en el conjunto de entrenamiento para explorar combinaciones posibles de valores. Se reportó Accuracy promedio y varianza para todas las posibles configuraciones. En cada fold (o set de datos) mediante validacion cruzada se obtuvieron diversos valores de Accuracy, estos valores se promedian y se reporta este valor promedio. Tambien se reportaron valores de
Precision
Recall
F1
matriz de confusión
En esta etapa se hizo un ajuste del algoritmo por defecto de DecisionTreeClassifier() . Solamente se fijo la semilla aleatoria para que sea reproducible.
Se reportaron valores de
Accuracy
Precision
Recall
F1
matriz de confusión
Se seleccionaron vvalores para los hiperparámetros del DecisionTreeClassifier. Se probaron diferentes criterios de partición (criterion), profundidad máxima del árbol (max_depth), y cantidad mínima de muestras (samples) por hoja (min_samples_leaf). Se utilizó grid search y un 5-fold CV para el conjunto de entrenamiento para explorar diferentes posibles combinaciones de valores. Se reportaron valores de Accuracy promedio y varianza en todos los casos. En cada fold (o set de datos) mediante validacion cruzada se obtuvieron diversos valores de Accuracy, estos valores se promedian y se reporta este valor promedio. También se reportaron valores de
Precision
Recall
F1
matriz de confusión