Scikit Learn Series temporales ingeniería de características

Ejercicio de programación: Ingeniería de características para series temporales

Este ejercicio de programación está diseñado para poner a prueba tus conocimientos en ScikitLearn. Es un ejercicio avanzado que pondrá a prueba tus conocimientos expertos.

Tipo: Ejercicio de código 18 minutos estimados 200 puntos de experiencia

Información adicional del ejercicio

Construir características basadas en lags usando Python y pandas.

Contenido del ejercicio

En este reto, usarás Scikit-Learn y pandas para crear características basadas en la variable de retraso, comúnmente conocidas como lags. El objetivo es que practiques la creación de estas variables, que son fundamentales para capturar la dependencia temporal en series de datos. Trabajaremos con un dataset de series temporales proporcionado por la librería Seaborn.

El dataset a utilizar es el conjunto de datos flights de Seaborn, el cual contiene registros mensuales del número de pasajeros de vuelos comerciales internacionales en el año 1949 hasta 1960.

Importa los módulos necesarios: pandas, seaborn, numpy y train_test_split de sklearn.model_selection.
Carga el dataset flights usando la función seaborn.load_dataset().
Asegúrate de que la columna month está en el formato de fecha adecuado para el análisis temporal.
Usa pandas para crear nuevas columnas en el DataFrame: passengers_lag1 y passengers_lag2, que representen los valores retrasados 1 y 2 meses, respectivamente, utiliza la función shift de pandas.
Maneja los valores faltantes que resulten de la creación de lags.
Define las variables independientes (X) y el objetivo (y), donde X incluirá passengers_lag1 y passengers_lag2. La variable objetivo será el número real de pasajeros.
Divide los datos en conjuntos de entrenamiento y prueba, respetando el orden cronológico, para entrenar un modelo de regresión.
Utiliza RandomForestRegressor de Scikit-Learn para entrenar el modelo. Haz predicciones sobre el conjunto de prueba.
Evalúa el rendimiento del modelo calculando el Error Medio Absoluto (MAE) y la Raíz del Error Cuadrático Medio (RMSE) de las predicciones.

Lección relacionada

Este ejercicio está relacionado con la lección "Ingeniería de características para series temporales" de ScikitLearn. Te recomendamos revisar la lección antes de comenzar.

Ver lección relacionada

Más ejercicios de ScikitLearn

Explora más ejercicios de programación en ScikitLearn para mejorar tus habilidades y obtener tu certificación.

Ver más ejercicios de ScikitLearn

Explora el curso completo de ScikitLearn

Descubre más contenido de ScikitLearn con lecciones, ejercicios y módulos organizados para tu aprendizaje.

Módulo: Series temporales

Ver todas las lecciones y ejercicios de este módulo

Lecciones de ScikitLearn

Aprende los conceptos fundamentales con tutoriales detallados

Ejercicios de ScikitLearn

Practica con más ejercicios de programación

Módulos de ScikitLearn

Explora todos los módulos del curso organizados por temas

Curso completo de ScikitLearn

Ver el temario completo con todos los contenidos del curso

Todas las tecnologías

Explora todos los cursos de programación disponibles

Alan Sastre

Ingeniero de Software y formador, CEO en CertiDevs

Ingeniero de software especializado en Full Stack y en Inteligencia Artificial. Como CEO de CertiDevs, ScikitLearn es una de sus áreas de expertise. Con más de 15 años programando, 6K seguidores en LinkedIn y experiencia como formador, Alan se dedica a crear ejercicios prácticos y contenido educativo de calidad para desarrolladores de todos los niveles.

Solución al ejercicio de programación en ScikitLearn

Contenido bloqueado

¡Desbloquea la solución completa!

Completa el ejercicio de programación en ScikitLearn 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 );

6 // Aplicar técnica de dos punteros

7 let left = 0 , right = sorted . length - 1 ;

8 const result = [];

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 }

22 return result ;

23 }

Código completo

Explicaciones

Mejores prácticas

+1.200 developers han resuelto este ejercicio de programación

Practica con ejercicios de programación en ScikitLearn

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

Asistente de IA

Aprende de tus errores

Progreso

Mide tu avance

Certificación

Valida tus habilidades

Ver curso completo

Ejercicios de programación en ScikitLearn: Práctica y Certificación

Los ejercicios de programación son fundamentales para dominar ScikitLearn. Este ejercicio está diseñado para poner a prueba tus conocimientos prácticos y ayudarte a consolidar lo aprendido en las lecciones teóricas. La práctica constante con ejercicios de programación es la clave para convertirte en un desarrollador experto.

¿Por qué resolver ejercicios de programación?

Resolver ejercicios de programación en ScikitLearn te permite:

Aplicar conocimientos teóricos: Poner en práctica los conceptos aprendidos en las lecciones de ScikitLearn.
Identificar áreas de mejora: Descubrir qué conceptos necesitas reforzar en tu aprendizaje de ScikitLearn.
Prepararte para certificaciones: Los ejercicios te preparan para obtener certificados profesionales en ScikitLearn.
Mejorar tu perfil profesional: Demostrar tus habilidades prácticas en ScikitLearn.

Metodología de aprendizaje

Nuestros ejercicios de programación están diseñados siguiendo una metodología probada de aprendizaje progresivo. Cada ejercicio en ScikitLearn está cuidadosamente estructurado para llevar tus habilidades al siguiente nivel. Comenzamos con conceptos fundamentales y avanzamos gradualmente hacia desafíos más complejos que reflejan situaciones reales del desarrollo de software profesional.

Certificación y validación de conocimientos

Al completar ejercicios de programación, no solo mejoras tus habilidades técnicas, sino que también puedes obtener certificados que validan tu expertise en ScikitLearn. Estos certificados son reconocidos por empresas y pueden ser una gran adición a tu perfil profesional de LinkedIn o tu CV como desarrollador.

Los ejercicios están alineados con los estándares de la industria y cubren desde conceptos básicos hasta técnicas avanzadas de programación en ScikitLearn. Cada ejercicio incluye casos de prueba y ejemplos prácticos que te ayudarán a comprender mejor cómo aplicar lo aprendido en proyectos reales.