Scikit-learn – aprendizaje automático

¿Qué es Scikit-learn?

Scikit-learn es una de las bibliotecas de Python para machine learning de código abierto más populares y potentes. Desarrollada en 2007 por David Cournapeau, la biblioteca se ha convertido en el estándar de facto para implementar algoritmos de machine learning en el ecosistema Python.

Principales tareas y capacidades de Scikit-learn

La biblioteca proporciona herramientas listas para usar para resolver una amplia gama de tareas de machine learning:

Tareas de aprendizaje supervisado:

• Clasificación — determinación de la pertenencia de objetos a clases específicas
• Regresión — predicción de valores numéricos continuos

Tareas de aprendizaje no supervisado:

• Clustering — agrupación de objetos similares
• Reducción de dimensionalidad — compresión de datos conservando información importante
• Detección de anomalías — identificación de valores atípicos en los datos

Capacidades adicionales:

• Preprocesamiento de datos — normalización, escalado, codificación
• Selección de características — elección de las características más informativas
• Evaluación de modelos — diversas métricas de calidad
• Validación cruzada — verificación de la estabilidad del modelo
• Ajuste de hiperparámetros — configuración automática de parámetros

Instalación y configuración inicial

Instalación mediante pip

pip install scikit-learn

Instalación con dependencias adicionales

pip install scikit-learn pandas matplotlib seaborn jupyter

Verificación de la instalación

import sklearnprint(sklearn.__version__)

Importación de componentes principales

# Módulos principalesfrom sklearn.model_selection import train_test_split, cross_val_scorefrom sklearn.preprocessing import StandardScaler, LabelEncoderfrom sklearn.linear_model import LinearRegression, LogisticRegressionfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import accuracy_score, classification_reportfrom sklearn.datasets import load_iris, make_classification

Arquitectura y conceptos principales

Estimator (Estimador)

Estimator es la clase base para todos los algoritmos de machine learning en Scikit-learn. Cada estimator implementa dos métodos principales:

• fit(X, y) — entrenamiento del modelo con datos
• predict(X) — predicción para nuevos datos

from sklearn.linear_model import LinearRegression

model = LinearRegression()model.fit(X_train, y_train)predictions = model.predict(X_test)

Transformer (Transformador)

Transformer es una clase para la transformación de datos. Implementa los métodos:

• fit(X) — aprendizaje de los parámetros de transformación
• transform(X) — aplicación de la transformación
• fit_transform(X) — combinación de fit y transform

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()X_scaled = scaler.fit_transform(X)

Pipeline (Tubería)

Pipeline permite combinar varios pasos de procesamiento de datos y entrenamiento en una única secuencia:

from sklearn.pipeline import Pipelinefrom sklearn.preprocessing import StandardScalerfrom sklearn.svm import SVC

pipeline = Pipeline([    ('scaler', StandardScaler()),    ('classifier', SVC())])

pipeline.fit(X_train, y_train)predictions = pipeline.predict(X_test)

Trabajo con datos

Datasets integrados

Scikit-learn proporciona múltiples conjuntos de datos listos para usar