- author: Guillermo Cabrera
- date: 'Nov 2024'
- title: Clasificación utilizando XGBoost (Core)
- course: Fundamentos de Machine Learning
- format: '.ipynb', '.py', 'csv'
Ejecutar el archivo .ipynb para visualizar los resultados.
Propósito del Proyecto
El propósito de este proyecto es implementar un pipeline completo de machine learning para resolver un problema de clasificación utilizando XGBoost. El enfoque principal estará en realizar un Análisis Exploratorio de Datos (EDA), preparar los datos mediante un preprocesamiento adecuado, entrenar el modelo, y optimizar sus hiperparámetros para maximizar su rendimiento.
Técnicas y Modelos Utilizados
Se implementó y evaluó el modelo de clasificación utilizando XGBoost, un algoritmo basado en árboles de decisión que emplea técnicas de boosting para mejorar el rendimiento de los modelos.
Hiperparámetros básicos: El modelo fue inicialmente entrenado con parámetros por defecto.
Optimización avanzada: Se utilizó GridSearchCV para ajustar hiperparámetros como la profundidad de los árboles, el aprendizaje (learning_rate) y el número de estimadores, maximizando métricas como precisión, recall y F1-score.