Introducción al machine learning con Python

Python es uno de los lenguajes de programación más utilizados en el machine learning, debido a su facilidad de aprendizaje, su potente soporte de bibliotecas y su ecosistema comunitario.

A continuación, explicaré paso a paso cómo iniciarse en el machine learning con Python y presentaré algunas de las bibliotecas comunes necesarias.

Instalación de Python y las bibliotecas necesarias

Método 1: Instalador oficial

Primero, asegúrate de tener Python instalado; puedes visitar el sitio web oficial de Pythonhttps://www.python.org/Descarga e instala la última versión.

Sistema Windows:

# 1. 下载安装程序后运行
# 2. 勾选 "Add Python to PATH"
# 3. 选择 "Install for all users"
# 4. 点击 "Install" 开始安装

Sistema macOS:

# 方法1：使用官网安装包
# 下载 .pkg 文件并双击安装
# 方法2：使用 Homebrew
brew install python3

Sistema Linux:

# Ubuntu/Debian
sudo apt update
sudo apt install python3 python3-pip
# CentOS/RHEL
sudo yum install python3 python3-pip

Método 2: Distribución Anaconda

Anaconda es una distribución de Python diseñada específicamente para la ciencia de datos, como una "caja de herramientas de machine learning" con todas las herramientas preinstaladas.

Ventajas de Anaconda

Bibliotecas comunes preinstaladas: NumPy, Pandas, Scikit-learn, etc.
Gestión de entornos: el comando conda gestiona entornos virtuales
Interfaz gráfica: Anaconda Navigator ofrece operaciones visuales
Multiplataforma: compatible con todos los sistemas operativos principales

Instalación de Anaconda

Visitahttps://www.anaconda.com/products/distribution
Descarga el paquete de instalación correspondiente a tu sistema
Ejecuta el instalador y sigue las indicaciones para completar la instalación

Verificar la instalación:

conda --version
python --version

Si aún no estás familiarizado con Python, puedes consultar nuestroTutorial de Python。

Si aún no estás familiarizado con Conda, puedes consultar nuestroTutorial de Anaconda。

Se recomienda instalar Anaconda para crear entornos virtuales.

¿Por qué necesitas un entorno virtual?

Un entorno virtual es como una cocina independiente preparada para cada proyecto, evita que los "condimentos" (versiones de bibliotecas) de distintos proyectos interfieran entre sí.

Beneficios de los entornos virtuales

Aislamiento de dependencias: diferentes proyectos usan distintas versiones de bibliotecas
Reproducción de entornos: facilita reconstruir el mismo entorno en otras máquinas
Gestión de permisos: evita contaminar el entorno de Python del sistema
Limpieza de proyectos: al eliminar un proyecto, se elimina también su entorno asociado

Uso de conda para gestionar entornos

# 创建环境
conda create -n ml_env python=3.8
# 激活环境
conda activate ml_env
# 安装包
conda install numpy pandas scikit-learn
# 列出环境
conda env list
# 删除环境
conda env remove -n ml_env

Configuración de herramientas de desarrollo

Jupyter Notebook

Jupyter Notebook es el laboratorio digital de los científicos de datos, admite programación interactiva y visualización.

Instalación y puesta en marcha de Jupyter

# 安装 Jupyter
pip install jupyter
# 启动 Jupyter Notebook
jupyter notebook
# 启动 Jupyter Lab（更现代的界面）
jupyter lab

Uso básico de Jupyter

Ejemplo

# Ejemplo de uso de Jupyter Notebook
# Ejecuta el siguiente código en Jupyter
# 1. Importación y exploración de datos
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# Crear datos de ejemplo
data = {
'Nombre': ['Zhang San', 'Li Si', 'Wang Wu', 'Zhao Liu'],
'Edad': [25, 30, 35, 28],
'Ciudad': ['Beijing', 'Shanghái', 'Guangzhou', 'Shenzhen'],
'Salario': [15000, 20000, 18000, 22000]
}
df = pd.DataFrame(data)
print("Vista previa de los datos:")
print(df.head())
# 2. Visualización de datos
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.bar(df['Nombre'], df['Edad'])
plt.title('Distribución de edad')
plt.xlabel('Nombre')
plt.ylabel('Edad')
plt.subplot(1, 2, 2)
plt.bar(df['Nombre'], df['Salario'])
plt.title('Distribución salarial')
plt.xlabel('Nombre')
plt.ylabel('Salario')
plt.tight_layout()
plt.show()
# 3. Análisis estadístico simple
print("\n"Información estadística básica:")
print(df.describe())
print("\n"Distribución de ciudades:")
print(df['Ciudad'].value_counts())

Configuración de VS Code

VS Code es un editor de código ligero pero potente, y mediante complementos puede convertirse en un entorno profesional de desarrollo de machine learning.

Complementos recomendados

Python: Complemento oficial de Python de Microsoft
Jupyter: compatible con Jupyter Notebook
Python Docstring Generator: genera automáticamente cadenas de documentación
Bracket Pair Colorizer: coloreado de pares de corchetes
GitLens: funciones mejoradas de Git

Ejemplo de configuración de VS Code

// .vscode/settings.json
{
    "python.defaultInterpreterPath": "./envs/ml_env/bin/python",
    "python.linting.enabled": true,
    "python.linting.pylintEnabled": true,
    "python.formatting.provider": "black",
    "python.testing.pytestEnabled": true,
    "jupyter.askForKernelRestart": false,
    "editor.fontSize": 14,
    "editor.tabSize": 4,
    "editor.insertSpaces": true
}

Instalación de bibliotecas de machine learning

Bibliotecas comunes de machine learning:

pip install numpy pandas matplotlib seaborn scikit-learn

Si planeas usar un marco de trabajo de aprendizaje profundo, instala lo siguiente:

pip install torch  # 或者
pip install tensorflow

Cursos relacionados:

Al usar Python para machine learning, el proceso general suele seguir estos pasos:

Importar las bibliotecas necesarias- Por ejemplo, NumPy, Pandas y Scikit-learn.
Cargar y preparar los datos- Los datos son el núcleo del machine learning. Necesitas cargar los datos y realizar el preprocesamiento necesario (por ejemplo, limpieza de datos, imputación de valores faltantes, etc.).
Seleccionar el modelo y el algoritmo- Elige el algoritmo de machine learning adecuado según la tarea (por ejemplo, regresión lineal, árboles de decisión, etc.).
Entrenar el modelo- Usa los datos del conjunto de entrenamiento para entrenar el modelo.
Evaluar el modelo- Usa el conjunto de prueba para evaluar la precisión del modelo y optimízalo según los resultados de la evaluación.
Ajustar el modelo y los hiperparámetros- Ajusta los hiperparámetros del modelo según los resultados de la evaluación para optimizar aún más su rendimiento.

Un ejemplo simple de machine learning: clasificación con Scikit-learn

Scikit-learn (abreviado Sklearn) es una biblioteca de machine learning de código abierto, construida sobre bibliotecas de cálculo científico como NumPy, SciPy y matplotlib, y ofrece herramientas simples y eficientes para la minería y el análisis de datos.

Scikit-learn incluye muchos algoritmos comunes de machine learning, entre ellos:

Regresión lineal, regresión ridge, regresión Lasso
Máquinas de vectores de soporte (SVM)
Árboles de decisión, bosques aleatorios, árboles de potenciación de gradiente
Algoritmos de agrupamiento (como K-Means, agrupamiento jerárquico, DBSCAN)
Técnicas de reducción de dimensionalidad (como PCA, t-SNE)
Redes neuronales

A continuación, mediante una tarea de clasificación simple con el conjunto de datos Iris, demostraremos el flujo de trabajo del machine learning. El conjunto de datos Iris es un conjunto clásico que contiene 150 muestras que describen la longitud y el ancho de los pétalos y sépalos de tres tipos diferentes de flores de iris.

Paso 1: Importar bibliotecas

Importa las bibliotecas de Python necesarias:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

Paso 2: Cargar datos

Carga el conjunto de datos Iris:

Ejemplo

# Cargar el conjunto de datos Iris
iris = load_iris()

# Convertir los datos a un DataFrame de pandas
X = pd.DataFrame(iris.data, columns=iris.feature_names) # Datos de características
y = pd.Series(iris.target) # Datos de etiquetas

# Mostrar las primeras cinco filas de datos
print(X.head())

La salida impresa de los datos es la siguiente:

   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
0                5.1               3.5                1.4               0.2
1                4.9               3.0                1.4               0.2
2                4.7               3.2                1.3               0.2
3                4.6               3.1                1.5               0.2
4                5.0               3.6                1.4               0.2

Paso 3: División del conjunto de datos

Dividir el conjunto de datos en conjunto de entrenamiento y prueba, normalmente usando una proporción de 70% para entrenamiento y 30% para prueba:

Ejemplo

# Dividir en conjunto de entrenamiento y prueba (80% entrenamiento, 20% prueba)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Paso 4: Escalado de características (estandarización)

Muchos algoritmos de aprendizaje automático dependen de la escala de las características, especialmente algoritmos como K-Nearest Neighbors. Para asegurar que cada característica tenga una media de 0 y una desviación estándar de 1, utilizamos la estandarización para procesar los datos:

Ejemplo

# Estandarizar características
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

Paso 5: Seleccionar el modelo y entrenarlo

En este ejemplo, elegimos el algoritmo K-Nearest Neighbors (KNN) para la clasificación:

Ejemplo

# Crear el clasificador KNN
knn = KNeighborsClassifier(n_neighbors=3)

# Entrenar el modelo
knn.fit(X_train, y_train)

Paso 6: Evaluar el modelo

Después de completar el entrenamiento, usamos el conjunto de prueba para evaluar la precisión del modelo:

Ejemplo

# Predecir el conjunto de prueba
y_pred = knn.predict(X_test)

# Calcular la precisión
accuracy = accuracy_score(y_test, y_pred)
print(f'Precisión del modelo: {accuracy:.2f}')

Al completar el código anterior, el resultado es:

模型准确率: 1.00

Paso 7: Visualizar resultados (opcional)

Puedes comprender mejor el rendimiento del modelo mediante la visualización, especialmente en el caso de conjuntos de datos multidimensionales. Por ejemplo, puedes usar un gráfico bidimensional para mostrar los resultados de la clasificación KNN (aunque aquí es necesario reducir la dimensionalidad de los datos para simplificarlos a dos dimensiones).

Ejemplo

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# Cargar el conjunto de datos Iris
iris = load_iris()

# Convertir los datos en un DataFrame de pandas
X = pd.DataFrame(iris.data, columns=iris.feature_names) # Datos de características
y = pd.Series(iris.target) # Datos de etiquetas

# Dividir en conjunto de entrenamiento y prueba (80% entrenamiento, 20% prueba)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Estandarizar características
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Crear el clasificador KNN
knn = KNeighborsClassifier(n_neighbors=3)

# Entrenar el modelo
knn.fit(X_train, y_train)

# Predecir el conjunto de prueba
y_pred = knn.predict(X_test)

# Calcular la precisión
accuracy = accuracy_score(y_test, y_pred)

# Visualización: aquí solo hay un ejemplo simple, puedes elegir el método de gráfico según la situación real
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis', marker='o')
plt.title("KNN Classification Results")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()

La imagen de salida es la siguiente:

Otras extensiones

Procesamiento de datos y estadísticas

Aprendizaje supervisado

Aprendizaje no supervisado

Aprendizaje por refuerzo

Aprendizaje profundo

Optimización e ingeniería de modelos

Limitaciones y límites del aprendizaje automático

Casos prácticos

Introducción al machine learning con Python

Instalación de Python y las bibliotecas necesarias

Método 1: Instalador oficial

Método 2: Distribución Anaconda

Ventajas de Anaconda

Instalación de Anaconda

¿Por qué necesitas un entorno virtual?

Beneficios de los entornos virtuales

Uso de conda para gestionar entornos

Configuración de herramientas de desarrollo

Jupyter Notebook

Instalación y puesta en marcha de Jupyter

Uso básico de Jupyter

Ejemplo

Configuración de VS Code

Complementos recomendados

Ejemplo de configuración de VS Code

Instalación de bibliotecas de machine learning

Un ejemplo simple de machine learning: clasificación con Scikit-learn

Paso 1: Importar bibliotecas

Paso 2: Cargar datos

Ejemplo

Paso 3: División del conjunto de datos

Ejemplo

Paso 4: Escalado de características (estandarización)

Ejemplo

Paso 5: Seleccionar el modelo y entrenarlo

Ejemplo

Paso 6: Evaluar el modelo

Ejemplo

Paso 7: Visualizar resultados (opcional)

Ejemplo