Contenido del Curso
Desafío de Entrevista en Ciencia de Datos
Desafío de Entrevista en Ciencia de Datos
Desafío 1: Escalado de Datos
En el ámbito de la ciencia de datos y el aprendizaje automático, el escalado de datos es un preprocesamiento crítico. Consiste principalmente en transformar las características (variables) del conjunto de datos a una escala estándar, garantizando que cada característica tenga una escala similar o rango. Esto es especialmente importante para los algoritmos que se basan en distancias o gradientes, ya que garantiza que todas las características contribuyan por igual al resultado y que el algoritmo converja de forma más eficaz.
He aquí una demostración de cómo las utilidades de escalado de scikit-learn modifican la distribución de los datos:
Swipe to show code editor
En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.
- Utilice la clase
StandardScalerpara estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de0y una desviación estándar de1. -
- Utilice la clase
MinMaxScalerpara reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre-1y1.
- Utilice la clase
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
Desafío 1: Escalado de Datos
En el ámbito de la ciencia de datos y el aprendizaje automático, el escalado de datos es un preprocesamiento crítico. Consiste principalmente en transformar las características (variables) del conjunto de datos a una escala estándar, garantizando que cada característica tenga una escala similar o rango. Esto es especialmente importante para los algoritmos que se basan en distancias o gradientes, ya que garantiza que todas las características contribuyan por igual al resultado y que el algoritmo converja de forma más eficaz.
He aquí una demostración de cómo las utilidades de escalado de scikit-learn modifican la distribución de los datos:
Swipe to show code editor
En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.
- Utilice la clase
StandardScalerpara estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de0y una desviación estándar de1. -
- Utilice la clase
MinMaxScalerpara reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre-1y1.
- Utilice la clase
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
Desafío 1: Escalado de Datos
En el ámbito de la ciencia de datos y el aprendizaje automático, el escalado de datos es un preprocesamiento crítico. Consiste principalmente en transformar las características (variables) del conjunto de datos a una escala estándar, garantizando que cada característica tenga una escala similar o rango. Esto es especialmente importante para los algoritmos que se basan en distancias o gradientes, ya que garantiza que todas las características contribuyan por igual al resultado y que el algoritmo converja de forma más eficaz.
He aquí una demostración de cómo las utilidades de escalado de scikit-learn modifican la distribución de los datos:
Swipe to show code editor
En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.
- Utilice la clase
StandardScalerpara estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de0y una desviación estándar de1. -
- Utilice la clase
MinMaxScalerpara reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre-1y1.
- Utilice la clase
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
En el ámbito de la ciencia de datos y el aprendizaje automático, el escalado de datos es un preprocesamiento crítico. Consiste principalmente en transformar las características (variables) del conjunto de datos a una escala estándar, garantizando que cada característica tenga una escala similar o rango. Esto es especialmente importante para los algoritmos que se basan en distancias o gradientes, ya que garantiza que todas las características contribuyan por igual al resultado y que el algoritmo converja de forma más eficaz.
He aquí una demostración de cómo las utilidades de escalado de scikit-learn modifican la distribución de los datos:
Swipe to show code editor
En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.
- Utilice la clase
StandardScalerpara estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de0y una desviación estándar de1. -
- Utilice la clase
MinMaxScalerpara reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre-1y1.
- Utilice la clase
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opcionesCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones