---

Machine Learning

---

*Regresión lineal

*Regresión logistica

*Decisión Tree y Ramdon Forest

*Librerías

---

Regresión lineal

---

• Carpeta Regresion lineal

Contiene todos los ficheros utilizados en el desarrollo del estudio, análisis y preparación de nuestro modelo de Regresión lineal mediante el cual queremos predecir los quilates de un conjunto de diamantes.

La creación de nuestro modelo de regresión lineal se ha estructurado de la siguienta manera:

1 EDA (Exploración y limpieza de los datos)
1 Test Estadísticos
2 Correlación y Covarianza
3 Asunciones
4 Normalización
5 Estandardizacion
6 Anova
7 Encoding
8 Regresion lineal
9 Regresion lineal Métricas
10 Decision tree
11 Random Forest

• Carpeta Datos

Se encuentran los archivos generados.

---

Regresión logística

---

• Carpeta Regresion logistica

Contiene todos los ficheros utilizados en el desarrollo del estudio, análisis y preparación de nuestro modelo de Regresión logística mediante el cual queremos predecir, el porcentaje de personas que hiceron click en un anuncio o no.

La creación de nuestro modelo de regresión logística se ha estructurado de la siguienta manera:

1 EDA (Exploración y limpieza de los datos)
2 Preparación de Datos
3 Ajuste
4 Métricas
5 Decisión Tree
6 Random Forest 

• Carpeta Datos

Se encuentran los archivos generados.

---

Decisión Tree y Ramdon Forest

---

• Carpeta RL Decision Tree

• Carpeta RL Ramdon Forest

• Carpeta RLog Decision Tree

• Carpeta RLog Ramdon Forest

---

Librerías

---

Tratamiento de datos:

numpy as np
pandas as pd
tqdm import tqdm


Representación de Gráficos:

matplotlib.pyplot as plt
seaborn as sns
statsmodels.api as sm
plt.rcParams["figure.figsize"] = (15,15)


Test estadisticos:

researchpy 
scipy import stats
statsmodels.api as sm
scipy.stats import kstest
scipy.stats import levene
scipy.stats import skew
scipy.stats import kurtosistest
statsmodels.formula.api import ols
sklearn.preprocessing import StandardScaler

Transformación, modelado y evaluación de los datos:

sklearn.preprocessing import MinMaxScaler
sklearn.preprocessing import StandardScaler
sklearn.model_selection import train_test_split
sklearn.tree import DecisionTreeRegressor
sklearn.ensemble import RandomForestRegressor
sklearn import tree
math
sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error
sklearn.model_selection import GridSearchCV
sklearn.model_selection import cross_val_score
sklearn.model_selection import cross_validate
sklearn import metrics

Encoding:

sklearn.preprocessing import LabelEncoder 
sklearn.preprocessing import OneHotEncoder  

Gestión datos desbalanceados:

imblearn.under_sampling import RandomUnderSampler
imblearn.over_sampling import RandomOverSampler
imblearn.combine import SMOTETomek

Configuración warnings:

warnings
warnings.filterwarnings('once')

Integrantes

Judith Blanco

Gadea Autric