def svm():
preprocessor = pp.PreprocessingSE()
model = SVC(kernel='rbf',
random_state=pp.RANDOM_STATE,
C=1,
gamma='scale',
probability=True)
pipeline = Pipeline([("preprocessor", preprocessor), ("model", model)])
return pipeline
from sklearn.linear_model import Perceptron
import random
seed = 100
np.random.seed(seed)
random.seed(seed)
X, y = utils.importar_datos()
# ### Modelo 1
# - Preprocesamiento con StandardScaler
# - Preprocesamiento de variables categoricas con OneHotEncoding
# - Perceptron lineal de sklearn
pipeline = Pipeline([("preprocessor", pp.PreprocessingSE()),
("model", Perceptron(random_state=pp.RANDOM_STATE))])
# #### Metricas
utils.metricas_cross_validation(X, y, pipeline, True)
# El mal resultado se puede deber a que los datos no son linealmente separables.
# ### Modelo 2
# - Se utiliza el mismo preprocesamiento que en el modelo anterior
# - Se buscan hiperparámetros para ver si mejora el score, de lo contrario se descarta el modelo.
pipeline = Pipeline([("preprocessor", pp.PreprocessingSE()),
("model",
from sklearn.pipeline import Pipeline
import random
seed = 100
np.random.seed(seed)
random.seed(seed)
X, y = utils.importar_datos()
# ### Modelo 1
# - Preprocesamiento con StandardScaler
# - Estimación de Hiperparametros con GridSearchCV
# - Estimación de algortimo con GridSearchCV
preprocessor = pp.PreprocessingSE()
model = KNeighborsClassifier(n_jobs=-1)
pipeline = Pipeline([("preprocessor", preprocessor), ("model", model)])
params = {
'model__n_neighbors': np.arange(1, 50, 5),
'model__weights': ['uniform', 'distance'],
'model__algorithm': ['ball_tree', 'kd_tree', 'brute']
}
cv = utils.kfold_for_cross_validation()
#rgscv = GridSearchCV(
# pipeline, params, scoring='roc_auc', n_jobs=-1, cv=cv, return_train_score=True
#).fit(X, y)
#print(rgscv.best_score_)
#print(rgscv.best_params_)