Saltar al contenido

Lección 9 de 16 · Lectura y práctica

Selección de Características: Filter, Wrapper y Embedded Methods

Selección de Características: Filter, Wrapper y Embedded Methods 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.

Del concepto a la práctica

Taller de esta lección

Filter puntúa variables antes del modelo; wrapper prueba subconjuntos usando un estimador; embedded selecciona durante el ajuste, como una penalización. La selección debe formar parte de la validación para no aprovechar la etiqueta de los pliegues reservados.

Ejemplo resuelto

python
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
import numpy as np
X_train = [[1, 10, 2, 4], [2, 20, 1, 3], [3, 30, 4, 5], [4, 40, 1, 9], [5, 50, 3, 7], [6, 60, 2, 8]]
y_train = [0, 0, 0, 1, 1, 1]
nombres = np.array(["contactos", "antiguedad", "tickets", "saldo"])
modelo = Pipeline([("esc", StandardScaler()), ("sel", SelectKBest(f_classif, k=2)), ("clf", LogisticRegression(max_iter=500))])
modelo.fit(X_train, y_train)
mascara = modelo.named_steps["sel"].get_support()
print(nombres[mascara])
  1. Separa entrenamiento y evaluación.

  2. Ajusta SelectKBest dentro del pipeline.

  3. Compara k=2 con una referencia sin selección.

  4. Revisa si las variables elegidas son observables al corte.

Error frecuente: calcular puntuaciones de selección con toda la tabla. Corrígelo ajustando el selector dentro de cada pliegue.

Pruébalo

Usa cuatro variables y configura k=2; obtén la máscara con get_support() y aplícala al array de nombres para registrar los seleccionados.

Comprueba tu resultado

La máscara contiene exactamente dos valores verdaderos y el selector no se ajusta con las filas de evaluación.

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 ↗

Selección de Características: Filter, Wrapper y Embedded Methods

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.