Python y Machine Learning: Creando Tu Primer Modelo de Clasificación 🐍🤖

Python es el lenguaje de programación preferido para la ciencia de datos y el machine learning, gracias a su sintaxis simple y a la vasta gama de bibliotecas disponibles. En este tutorial, vamos a usar Python y la biblioteca Scikit-Learn para crear nuestro primer modelo de clasificación.

Preparando el Ambiente

Antes de comenzar, necesitas tener Python y pip (Python Package Index) instalados en tu computadora. Si aún no los tienes, puedes descargar Python y pip aquí.

Después de instalados, instala Scikit-Learn, la biblioteca que usaremos para crear nuestro modelo de clasificación:

pip install scikit-learn

Cargando los Datos

Scikit-Learn viene con varios conjuntos de datos que podemos usar para experimentar. Para este tutorial, vamos a usar el conjunto de datos Iris, que es un conjunto de datos multivariados introducido por el estadístico británico y biólogo Ronald Fisher. Ese conjunto de datos consiste en 50 muestras de cada una de las tres especies de Iris (Iris Setosa, Iris Virginica e Iris Versicolor). Cuatro características fueron medidas en cada muestra: el largo y ancho de los sépalos y pétalos.

Vamos a cargar el conjunto de datos y echarle un vistazo:

from sklearn import datasets

iris = datasets.load_iris()
print(iris.data)

Creando el Modelo

Ahora que tenemos nuestros datos, podemos crear nuestro modelo de clasificación. Vamos a usar el algoritmo de K-Nearest Neighbors (KNN), que es un algoritmo simple y efectivo para comenzar:

from sklearn import neighbors

knn = neighbors.KNeighborsClassifier()
knn.fit(iris.data, iris.target)

Haciendo Predicciones

Después de entrenado, nuestro modelo está listo para hacer predicciones. Vamos a predecir la especie de una flor de Iris con 3cm x 5cm de sépalo y 4cm x 2cm de pétalo:

print(knn.predict([[3, 5, 4, 2]]))

Conclusión

¡Y eso es todo! Has creado y usado tu primer modelo de clasificación en Python con Scikit-Learn. Claro, este es un ejemplo muy básico, y en la práctica necesitarías dividir tu conjunto de datos en un conjunto de entrenamiento y un conjunto de pruebas, evaluar tu modelo y mucho más. Pero esperamos que este tutorial te haya dado una idea de cómo comenzar a crear tus propios modelos de machine learning.

Para continuar perfeccionando tus habilidades en Python y machine learning, consulta el artículo sobre Python: Construyendo una Aplicación Web Básica.

¡Vamos a por ello! 🦅