Métricas de clasificación

Código
Avanzado
ScikitLearn
ScikitLearn
30 min
200 XP
Actualizado: 28/02/2025

¡Practica y certifícate!

Retroalimentación
Soluciones
Certificado
Comenzar

Descripción

En este desafío se evaluarán las métricas de clasificación en Scikit-Learn.

En este reto, debes implementar un modelo de clasificación utilizando Scikit-Learn y evaluar su rendimiento utilizando métricas específicas para analizar su capacidad predictiva. Te enfocarás en la creación de una matriz de confusión y el cálculo de precisión, recall y F1-score para verificar la calidad del modelo.

Carga de Datos: Utiliza el conjunto de datos iris proporcionado por Scikit-Learn. Accede a él con la función load_iris que proporciona el dataset ya particionado en datos y etiquetas.

División del conjunto de fatos: Separa los datos en conjuntos de entrenamiento y prueba utilizando train_test_split. Utiliza un tamaño del 30% para el conjunto de prueba y asegúrate de reproducir los resultados con un random_state de 42.

Modelo de clasificación: Crea y entrena un modelo de clasificación utilizando RandomForestClassifier del módulo ensemble de Scikit-Learn. No realices modificaciones en el hiperparámetro estándar.

Predicciones: Usa el modelo entrenado para realizar predicciones en el conjunto de prueba.

Guarda tu progreso

Inicia sesión para no perder tu progreso y accede a miles de tutoriales, ejercicios prácticos y nuestro asistente de IA.

Progreso guardado
Asistente IA
Ejercicios
Iniciar sesión gratis

Más de 25.000 desarrolladores ya confían en CertiDevs

Evaluación del modelo:

  • Calcula la matriz de confusión para las etiquetas de prueba utilizando confusion_matrix.
  • Evalúa las métricas de accuracy, precisión, recall y F1-Score para cada clase utilizando classification_report. Asegúrate de imprimir este reporte para una visualización clara.

Visualización: Realiza una visualización gráfica de la matriz de confusión utilizando ConfusionMatrixDisplay y matplotlib. Ajusta la visualización para que sea clara y legible, usando la colormap Blues o viridis.

Solución al ejercicio

Contenido bloqueado

¡Desbloquea la solución completa!

Completa el examen para acceder a la solución paso a paso, explicaciones detalladas y mejores prácticas.

solution.js
JavaScript
1 function solveChallenge ( input ) {
2 // Algoritmo optimizado O(n log n)
3 const data = parseInput ( input );
4 const sorted = data . sort (( a , b ) => a - b );
5
6 // Aplicar técnica de dos punteros
7 let left = 0 , right = sorted . length - 1 ;
8 const result = [];
9
10 while ( left < right ) {
11 const sum = sorted [ left ] + sorted [ right ];
12 if ( sum === target ) {
13 result . push ([ sorted [ left ], sorted [ right ]]);
14 left ++; right --;
15 } else if ( sum < target ) {
16 left ++;
17 } else {
18 right --;
19 }
20 }
21
22 return result ;
23 }
Código completo
Explicaciones
Mejores prácticas
+1.200 developers han resuelto este ejercicio de programación

Practica con exámenes de ScikitLearn

Mejora tus habilidades con cientos de exámenes de práctica, recibe retroalimentación instantánea y obtén tu certificación cuando estés listo.

Retroalimentación

Aprende de tus errores

Progreso

Mide tu avance

Certificación

Valida tus habilidades

Únete a miles de desarrolladores mejorando sus habilidades

⭐⭐⭐⭐⭐
4.9/5 valoración