En este repositorio se encuentran los ejercicios realizados en el pair programming modulo 3 - Sprint 1 por Silvia Gordón y Sila Rivas.
Dicho repositorio se divide en dos carpetas:
.- Carpeta Regresión Lineal: Constituye a los ejercicios realizados en referencia a los temas de Regresión Lineal.
- Leccion-01-Intro-Machine-Learning.
- Leccion-02-Test-Estadisticos.
- Leccion-03-Covarianza-Correlacion.
- Leccion-04-Asunciones.
- Leccion-05-Normalización.
- Leccion-06-Estandarización.
- Leccion-07-ANOVA.
- Leccion-08-Encoding.
- Leccion-09-Regresion-Lineal-Intro.
- Leccion-10-Regresion-Lineal-Metricas.
- Leccion-11-Regresion-Lineal-Decision-Tree.
- Leccion-12-Regresion-Lineal-Random-Forest.
.- Carpeta Regresión Logística: Constituye a los ejercicios realizados en referencia a los temas de Regresión Logística.
- Leccion-13-Regresion-Logistica-EDA.
- Leccion-14-Regresion-Logistica-Preprocesado.
- Leccion-15-Regresion-Logistica-Intro.
- Leccion-16-Regresion-Logistica-Metricas.
- Leccion-17-Regresion-Logistica-Decision-Tree.
- Leccion-18-Regresion-Logistica-Random-Forest.
Las librerías utilizadas en este repositorio han sido:
import numpy as np
import pandas as pd
from tqdm import tqdm
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn import tree
from sklearn.metrics import confusion_matrix, accuracy_score, precision_score, recall_score, f1_score , cohen_kappa_score, roc_curve,roc_auc_score
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestRegressor
from sklearn.tree import DecisionTreeRegressor
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import cross_validate
from sklearn import metrics
from scipy import stats
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import RobustScaler
import math
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder # para realizar el Label Encoding
from sklearn.preprocessing import OneHotEncoder # para realizar el One-Hot Encoding
import statsmodels.api as sm
from statsmodels.formula.api import ols
import researchpy as rp
from scipy.stats import skew
from scipy.stats import kurtosistest
from imblearn.under_sampling import RandomUnderSampler
from imblearn.over_sampling import RandomOverSampler
from imblearn.combine import SMOTETomek
import warnings
warnings.filterwarnings('ignore')
plt.rcParams["figure.figsize"] = (15,15)