Saltar al contenido

Lección 14 de 16 · Lectura y práctica

Construcción de Pipeline Completo con Optimización

Construcción de Pipeline Completo con Optimización Esta leccion pertenece al curso Machine Learning Práctico con Scikit-Learn y esta pensada para que avances con criterio profesional, no solo con teoria. Primero entiende el.

Del concepto a la práctica

Taller de esta lección

El pipeline completo conecta preprocesamiento, selección opcional y estimador, de modo que la búsqueda evalúa una secuencia completa. Los parámetros se nombran con el prefijo del paso, por ejemplo clf__max_depth; así cada pliegue ajusta transformaciones sin fuga.

Ejemplo resuelto

python
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import GridSearchCV, StratifiedKFold

X_train = pd.DataFrame({
    "meses_activa": [2,4,6,8,10,12],
    "saldo": [100,None,120,200,220,240],
    "plan": ["basico","pro","basico","pro","basico","pro"],
})
y_train = [0,0,0,1,1,1]
num = Pipeline([("imp",SimpleImputer(strategy="median")),("esc",StandardScaler())])
cat = Pipeline([("imp",SimpleImputer(strategy="most_frequent")),("oh",OneHotEncoder(handle_unknown="ignore"))])
pre = ColumnTransformer([("num",num,["meses_activa","saldo"]),("cat",cat,["plan"])])
flujo = Pipeline([("prep",pre),("clf",DecisionTreeClassifier(random_state=4))])
param = {"clf__max_depth":[2,4],"clf__min_samples_leaf":[1,3]}
cv = StratifiedKFold(n_splits=3,shuffle=True,random_state=4)
busqueda = GridSearchCV(flujo,param,cv=cv,scoring="balanced_accuracy",n_jobs=1,pre_dispatch=1)
busqueda.fit(X_train,y_train)
print(len(busqueda.cv_results_["params"]))  # 4
print(busqueda.best_params_)
  1. Prueba primero que flujo.fit funcione.

  2. Define un espacio pequeño.

  3. Ejecuta la búsqueda con una validación fijada.

  4. Guarda parámetros y puntuación seleccionados.

Error frecuente: transformar X manualmente antes de GridSearchCV. Corrígelo dejando pre dentro de flujo.

Pruébalo

Usa dos profundidades y dos tamaños de hoja: hay 2 × 2 = 4 combinaciones.

Comprueba tu resultado

El espacio contiene exactamente cuatro configuraciones y todas usan el mismo preprocesamiento dentro de cada pliegue.

pre se construye con las ramas de la primera lección; no reutilices el resultado ya transformado. Para tres pliegues estratificados necesitas al menos tres muestras de cada clase: las dos filas iniciales sirven para inspeccionar transformaciones, no para esta búsqueda. El bloque completo ya amplía la tabla a seis filas, define y_train y pasa flujo/param a GridSearchCV; registra 4 × 3 = 12 puntuaciones de ajuste más el refit final si está activo.

Esta muestra declara1=clase positiva ficticia y dispone de tres filas por clase; no representa una evaluación de churn comercial ni filas finales de test. Cada validación estratificada contiene ambas clases. Se inspeccionan4 configuraciones y12 ajustes por pliegue, más1 refit:13 ajustes en total. Los parámetros elegidos pertenecen al espacio declarado; no se promete un best_score específico sin ejecutarlo. Para el caso real usa churn_30d de la lección13 y una partición temporal o por cuenta cuando corresponda. n_jobs=1 limita paralelismo de esta demostración.

Conjuntos separados de entrenamiento, validación y prueba final con funciones distintas.
CursaloMapa de práctica
Entrenar sin mirar el examen

El entrenamiento ajusta los parámetros del modelo. La validación ayuda a elegir el enfoque sin utilizar la prueba final. Reserva la prueba para evaluar la decisión terminada y evita que sus resultados vuelvan al ajuste.

Ver la infografía en tamaño completo ↗

Construcción de Pipeline Completo con Optimización

Esta leccion pertenece al curso Machine Learning Práctico con Scikit-Learn y esta pensada para que avances con criterio profesional, no solo con teoria. Primero entiende el concepto, despues aplicalo en una situacion concreta y finalmente deja evidencia de lo que aprendiste.

Objetivo practico

Al terminar, deberias poder explicar el tema con tus palabras, reconocer cuando usarlo y construir una version simple que sirva como base para un proyecto real.

Pasos recomendados

  1. Lee el concepto y escribi una definicion breve.
  2. Identifica un caso de uso laboral donde aparezca este problema.
  3. Construye un ejemplo pequeno y documenta las decisiones.
  4. Compara tu resultado con el checklist de la leccion.

Sigue con Machine Learning Práctico con Scikit-Learn

Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.

Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.

01 / ELEGIR UNA RUTA

El próximo paso

Aprende IA mientras construyes algo que sí necesitas.

Empieza por el curso inicial o explora el catálogo para encontrar una práctica alineada con tu trabajo.