Curso libreInteligencia artificial y datos
Árboles de decisión y bosques aleatorios
El curso Árboles de decisión y bosques aleatorios proporciona al estudiante los modelos basados en árboles, desde árboles de decisión hasta bosques aleatorios y gradient boosting con XGBoost y LightGBM, y las técnicas para interpretarlos. Le sirve para resolver problemas con datos tabulares, como el riesgo crediticio, y explicar sus predicciones con valores SHAP.
A quién va dirigido
Personas con Python y conocimientos básicos de aprendizaje supervisado.
Objetivos
✓Comprender los criterios de división Gini y entropía, la profundidad y la poda en árboles de clasificación y regresión.
✓Analizar el efecto del bagging, el error fuera de bolsa y los hiperparámetros en el desempeño de los bosques aleatorios.
✓Aplicar XGBoost y LightGBM con tasa de aprendizaje y parada temprana, comparando su desempeño con los bosques aleatorios.
✓Diseñar un modelo de riesgo crediticio con búsqueda de hiperparámetros mediante GridSearchCV y RandomizedSearchCV.
✓Evaluar la interpretabilidad de los modelos con importancia por permutación y valores SHAP al comunicar resultados.
Plan de estudios por sesión
1
Árboles de decisiónCriterios de división Gini y entropía, profundidad y poda · Visualización del árbol y árboles de regresión
2
Bosques aleatoriosBagging, aleatoriedad en variables y error fuera de bolsa · Hiperparámetros principales y búsqueda con GridSearchCV y RandomizedSearchCV
3
Gradient boostingPrincipio del boosting con XGBoost y LightGBM · Tasa de aprendizaje, parada temprana y comparación de desempeño
4
Presentación del proyecto final: modelo de riesgo crediticioImportancia por permutación y valores SHAP · Caso de riesgo crediticio y comunicación de resultados
Evaluación
Inicial30%Entrenamiento e interpretación de árboles de decisión para clasificación y regresión con visualización del árbol.
Intermedio30%Taller de bosques aleatorios con ajuste de hiperparámetros y comparación con XGBoost o LightGBM.
Final40%Proyecto final: modelo de riesgo crediticio con bosques aleatorios y gradient boosting, comparación y explicación con SHAP, sustentado.
Proyecto final
Modelo de riesgo crediticio con bosques aleatorios y gradient boosting, comparación de desempeño y explicación con SHAP.