Hoja de Trucos de scikit-learn

Instalación e Importaciones

Instalación: pip install scikit-learn

Instalar scikit-learn y dependencias comunes.

# Instalar scikit-learn
pip install scikit-learn
# Instalar con paquetes adicionales
pip install scikit-learn pandas numpy matplotlib
# Actualizar a la última versión
pip install scikit-learn --upgrade

Importaciones Esenciales

Importaciones estándar para flujos de trabajo de scikit-learn.

# Importaciones principales
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score,
classification_report
# Algoritmos comunes
from sklearn.linear_model import LinearRegression,
LogisticRegression
from sklearn.ensemble import RandomForestClassifier,
GradientBoostingRegressor
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier

Comprobar Versión

Verificar su instalación de scikit-learn.

import sklearn
print(sklearn.__version__)
# Mostrar configuración de compilación
sklearn.show_versions()

Carga de Conjuntos de Datos

Cargar conjuntos de datos integrados para practicar.

from sklearn.datasets import load_iris, load_boston,
make_classification
# Cargar conjuntos de datos de muestra
iris = load_iris()
X, y = iris.data, iris.target
# Generar datos sintéticos
X_synth, y_synth = make_classification(n_samples=1000,
n_features=20, n_informative=10, random_state=42)

Preprocesamiento de Datos

División Entrenamiento-Prueba: train_test_split()

Dividir los datos en conjuntos de entrenamiento y prueba.

# División básica (80% entrenamiento, 20% prueba)
X_train, X_test, y_train, y_test =
train_test_split(X, y, test_size=0.2,
random_state=42)
# División estratificada para clasificación
X_train, X_test, y_train, y_test =
train_test_split(X, y, test_size=0.2,
stratify=y, random_state=42)
# Múltiples divisiones
X_train, X_temp, y_train, y_temp =
train_test_split(X, y, test_size=0.4,
random_state=42)
X_val, X_test, y_val, y_test =
train_test_split(X_temp, y_temp,
test_size=0.5, random_state=42)

Escalado de Características: StandardScaler() / MinMaxScaler()

Normalizar las características a escalas similares.

# Estandarización (media=0, desviación estándar=1)
from sklearn.preprocessing import
StandardScaler, MinMaxScaler
scaler = StandardScaler()
X_scaled =
scaler.fit_transform(X_train)
X_test_scaled =
scaler.transform(X_test)
# Escalado Min-Max (rango 0-1)
minmax_scaler = MinMaxScaler()
X_minmax =
minmax_scaler.fit_transform(X_train)
X_test_minmax =
minmax_scaler.transform(X_test)

Codificación: LabelEncoder() / OneHotEncoder()

Convertir variables categóricas a formato numérico.

# Codificación de etiquetas para la variable objetivo
from sklearn.preprocessing import
LabelEncoder, OneHotEncoder
label_encoder = LabelEncoder()
y_encoded =
label_encoder.fit_transform(y)
# Codificación one-hot para características categóricas
from sklearn.preprocessing import
OneHotEncoder
encoder =
OneHotEncoder(sparse=False,
drop='first')
X_encoded =
encoder.fit_transform(X_categorical)
# Obtener nombres de características
feature_names =
encoder.get_feature_names_out()

Aprendizaje Supervisado - Clasificación

Regresión Logística: LogisticRegression()

Modelo lineal para clasificación binaria y multiclase.

# Regresión logística básica
from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression(random_state=42)
log_reg.fit(X_train, y_train)
y_pred = log_reg.predict(X_test)
y_proba = log_reg.predict_proba(X_test)
# Con regularización
log_reg_l2 = LogisticRegression(C=0.1, penalty='l2')
log_reg_l1 = LogisticRegression(C=0.1, penalty='l1',
solver='liblinear')

Árbol de Decisión: DecisionTreeClassifier()

Modelo basado en árboles para tareas de clasificación.

# Clasificador de árbol de decisión
from sklearn.tree import DecisionTreeClassifier
tree_clf = DecisionTreeClassifier(max_depth=5,
random_state=42)
tree_clf.fit(X_train, y_train)
y_pred = tree_clf.predict(X_test)
# Importancia de las características
importances = tree_clf.feature_importances_
# Visualizar árbol
from sklearn.tree import plot_tree
plot_tree(tree_clf, max_depth=3, filled=True)

Bosque Aleatorio: RandomForestClassifier()

Método de conjunto que combina múltiples árboles de decisión.

# Clasificador de bosque aleatorio
from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier(n_estimators=100,
random_state=42)
rf_clf.fit(X_train, y_train)
y_pred = rf_clf.predict(X_test)
# Ajuste de hiperparámetros
rf_clf = RandomForestClassifier(
    n_estimators=200,
    max_depth=10,
    min_samples_split=5,
    min_samples_leaf=2,
    random_state=42
)

Máquina de Vectores de Soporte: SVC()

Clasificador potente que utiliza métodos de kernel.

# Clasificador SVM
from sklearn.svm import SVC
svm_clf = SVC(kernel='rbf', C=1.0, gamma='scale',
random_state=42)
svm_clf.fit(X_train, y_train)
y_pred = svm_clf.predict(X_test)
# Diferentes kernels
svm_linear = SVC(kernel='linear')
svm_poly = SVC(kernel='poly', degree=3)
svm_rbf = SVC(kernel='rbf', gamma=0.1)

Aprendizaje Supervisado - Regresión

Regresión Lineal: LinearRegression()

Modelo lineal básico para variables objetivo continuas.

# Regresión lineal simple
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
lin_reg.fit(X_train, y_train)
y_pred = lin_reg.predict(X_test)
# Obtener coeficientes e intercepto
coefficients = lin_reg.coef_
intercept = lin_reg.intercept_
print(f"Puntuación R²: {lin_reg.score(X_test, y_test)}")

Regresión Ridge: Ridge()

Regresión lineal con regularización L2.

# Regresión Ridge (regularización L2)
from sklearn.linear_model import Ridge
ridge_reg = Ridge(alpha=1.0)
ridge_reg.fit(X_train, y_train)
y_pred = ridge_reg.predict(X_test)
# Validación cruzada para selección de alpha
from sklearn.linear_model import RidgeCV
ridge_cv = RidgeCV(alphas=[0.1, 1.0, 10.0])
ridge_cv.fit(X_train, y_train)

Regresión Lasso: Lasso()

Regresión lineal con regularización L1 para selección de características.

# Regresión Lasso (regularización L1)
from sklearn.linear_model import Lasso
lasso_reg = Lasso(alpha=0.1)
lasso_reg.fit(X_train, y_train)
y_pred = lasso_reg.predict(X_test)
# Selección de características (coeficientes distintos de cero)
selected_features = X.columns[lasso_reg.coef_ != 0]
print(f"Características seleccionadas: {len(selected_features)}")

Regresión de Bosque Aleatorio: RandomForestRegressor()

Método de conjunto para tareas de regresión.

# Regresor de bosque aleatorio
from sklearn.ensemble import RandomForestRegressor
rf_reg = RandomForestRegressor(n_estimators=100,
random_state=42)
rf_reg.fit(X_train, y_train)
y_pred = rf_reg.predict(X_test)
# Importancia de las características para regresión
feature_importance = rf_reg.feature_importances_

Evaluación de Modelos

Métricas de Clasificación

Evaluar el rendimiento del modelo de clasificación.

# Precisión básica
from sklearn.metrics import accuracy_score,
precision_score, recall_score, f1_score
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred,
average='weighted')
recall = recall_score(y_test, y_pred, average='weighted')
f1 = f1_score(y_test, y_pred, average='weighted')
# Informe de clasificación detallado
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))
# Matriz de confusión
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

Curva ROC y AUC

Trazar la curva ROC y calcular el Área Bajo la Curva.

# Curva ROC para clasificación binaria
from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(y_test, y_proba[:, 1])
roc_auc = auc(fpr, tpr)
# Trazar curva ROC
import matplotlib.pyplot as plt
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, label=f'Curva ROC (AUC = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], 'k--')
plt.xlabel('Tasa de Falsos Positivos')
plt.ylabel('Tasa de Verdaderos Positivos')
plt.legend()

Métricas de Regresión

Evaluar el rendimiento del modelo de regresión.

# Métricas de regresión
from sklearn.metrics import mean_squared_error,
mean_absolute_error, r2_score
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"MSE: {mse:.4f}")
print(f"RMSE: {rmse:.4f}")
print(f"MAE: {mae:.4f}")
print(f"R²: {r2:.4f}")

Validación Cruzada

Evaluación robusta del modelo mediante validación cruzada.

# Validación cruzada K-fold
from sklearn.model_selection import cross_val_score,
StratifiedKFold
cv_scores = cross_val_score(model, X, y, cv=5,
scoring='accuracy')
print(f"Precisión CV: {cv_scores.mean():.4f} (+/-
{cv_scores.std() * 2:.4f})")
# K-fold estratificada para conjuntos de datos desequilibrados
skf = StratifiedKFold(n_splits=5, shuffle=True,
random_state=42)
cv_scores = cross_val_score(model, X, y, cv=skf,
scoring='f1_weighted')

Aprendizaje No Supervisado

Agrupamiento K-Means: KMeans()

Particionar datos en k grupos.

# Agrupamiento K-means
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3, random_state=42)
cluster_labels = kmeans.fit_predict(X)
centroids = kmeans.cluster_centers_
# Determinar el número óptimo de grupos (método del codo)
inertias = []
K_range = range(1, 11)
for k in K_range:
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X)
    inertias.append(kmeans.inertia_)

Análisis de Componentes Principales: PCA()

Técnica de reducción de dimensionalidad.

# PCA para reducción de dimensionalidad
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
explained_variance = pca.explained_variance_ratio_
# Encontrar el número óptimo de componentes
pca_full = PCA()
pca_full.fit(X)
cumsum =
np.cumsum(pca_full.explained_variance_ratio_)
# Encontrar componentes para el 95% de varianza
n_components = np.argmax(cumsum >= 0.95) + 1

Agrupamiento DBSCAN: DBSCAN()

Algoritmo de agrupamiento basado en densidad.

# Agrupamiento DBSCAN
from sklearn.cluster import DBSCAN
dbscan = DBSCAN(eps=0.5, min_samples=5)
cluster_labels = dbscan.fit_predict(X)
n_clusters = len(set(cluster_labels)) - (1 if -1 in
cluster_labels else 0)
n_noise = list(cluster_labels).count(-1)
print(f"Número de grupos: {n_clusters}")
print(f"Número de puntos de ruido: {n_noise}")

Agrupamiento Jerárquico: AgglomerativeClustering()

Construir jerarquía de grupos.

# Agrupamiento aglomerativo
from sklearn.cluster import AgglomerativeClustering
agg_clustering = AgglomerativeClustering(n_clusters=3,
linkage='ward')
cluster_labels = agg_clustering.fit_predict(X)
# Visualización del dendrograma
from scipy.cluster.hierarchy import dendrogram, linkage
linked = linkage(X, 'ward')
plt.figure(figsize=(12, 8))
dendrogram(linked)

Selección de Modelos y Ajuste de Hiperparámetros

Búsqueda en Cuadrícula: GridSearchCV()

Búsqueda exhaustiva sobre la cuadrícula de parámetros.

# Búsqueda en cuadrícula para ajuste de hiperparámetros
from sklearn.model_selection import GridSearchCV
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [3, 5, 7, None],
    'min_samples_split': [2, 5, 10]
}
grid_search = GridSearchCV(
    RandomForestClassifier(random_state=42),
    param_grid, cv=5, scoring='accuracy', n_jobs=-1
)
grid_search.fit(X_train, y_train)
best_model = grid_search.best_estimator_
best_params = grid_search.best_params_

Búsqueda Aleatoria: RandomizedSearchCV()

Muestreo aleatorio de la distribución de parámetros.

# Búsqueda aleatoria (más rápida para espacios de parámetros grandes)
from sklearn.model_selection import
RandomizedSearchCV
from scipy.stats import randint
param_dist = {
    'n_estimators': randint(100, 500),
    'max_depth': [3, 5, 7, None],
    'min_samples_split': randint(2, 11)
}
random_search = RandomizedSearchCV(
    RandomForestClassifier(random_state=42),
    param_dist, n_iter=50, cv=5, scoring='accuracy',
n_jobs=-1, random_state=42
)
random_search.fit(X_train, y_train)

Pipeline: Pipeline()

Encadenar pasos de preprocesamiento y modelado.

# Crear pipeline de preprocesamiento y modelado
from sklearn.pipeline import Pipeline
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('classifier', RandomForestClassifier(random_state=42))
])
pipeline.fit(X_train, y_train)
y_pred = pipeline.predict(X_test)
# Búsqueda en cuadrícula con pipeline
param_grid = {
    'classifier__n_estimators': [100, 200],
    'classifier__max_depth': [3, 5, None]
}
grid_search = GridSearchCV(pipeline, param_grid, cv=5)
grid_search.fit(X_train, y_train)

Selección de Características: SelectKBest() / RFE()

Seleccionar las características más informativas.

# Selección de características univariada
from sklearn.feature_selection import SelectKBest,
f_classif
selector = SelectKBest(score_func=f_classif, k=10)
X_selected = selector.fit_transform(X_train, y_train)
selected_features = X.columns[selector.get_support()]
# Eliminación Recursiva de Características
from sklearn.feature_selection import RFE
rfe = RFE(RandomForestClassifier(random_state=42),
n_features_to_select=10)
X_rfe = rfe.fit_transform(X_train, y_train)

Técnicas Avanzadas

Métodos de Conjunto: VotingClassifier() / BaggingClassifier()

Combinar múltiples modelos para un mejor rendimiento.

# Clasificador de votación (conjunto de diferentes algoritmos)
from sklearn.ensemble import VotingClassifier
voting_clf = VotingClassifier(
    estimators=[
        ('lr', LogisticRegression(random_state=42)),
        ('rf', RandomForestClassifier(random_state=42)),
        ('svm', SVC(probability=True, random_state=42))
    ], voting='soft'
)
voting_clf.fit(X_train, y_train)
y_pred = voting_clf.predict(X_test)
# Clasificador de bagging
from sklearn.ensemble import BaggingClassifier
bagging_clf = BaggingClassifier(DecisionTreeClassifier(),
n_estimators=100, random_state=42)
bagging_clf.fit(X_train, y_train)

Aumento de Gradiente: GradientBoostingClassifier()

Método de conjunto secuencial con corrección de errores.

# Clasificador de aumento de gradiente
from sklearn.ensemble import
GradientBoostingClassifier
gb_clf = GradientBoostingClassifier(n_estimators=100,
learning_rate=0.1, random_state=42)
gb_clf.fit(X_train, y_train)
y_pred = gb_clf.predict(X_test)
# Importancia de las características
importances = gb_clf.feature_importances_
# Curva de aprendizaje
from sklearn.model_selection import learning_curve
train_sizes, train_scores, val_scores =
learning_curve(gb_clf, X, y, cv=5)

Manejo de Datos Desequilibrados: SMOTE() / Pesos de Clase

Abordar el desequilibrio de clases en los conjuntos de datos.

# Instalar imbalanced-learn: pip install imbalanced-learn
from imblearn.over_sampling import SMOTE
smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X_train,
y_train)
# Usar pesos de clase
rf_balanced =
RandomForestClassifier(class_weight='balanced',
random_state=42)
rf_balanced.fit(X_train, y_train)
# Pesos de clase manuales
from sklearn.utils.class_weight import
compute_class_weight
class_weights = compute_class_weight('balanced',
classes=np.unique(y_train), y=y_train)
weight_dict = dict(zip(np.unique(y_train), class_weights))

Persistencia del Modelo: joblib

Guardar y cargar modelos entrenados.

# Guardar modelo
import joblib
joblib.dump(model, 'trained_model.pkl')
# Cargar modelo
loaded_model = joblib.load('trained_model.pkl')
y_pred = loaded_model.predict(X_test)
# Guardar pipeline completo
joblib.dump(pipeline, 'preprocessing_pipeline.pkl')
loaded_pipeline =
joblib.load('preprocessing_pipeline.pkl')
# Alternativa usando pickle
import pickle
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)
with open('model.pkl', 'rb') as f:
    loaded_model = pickle.load(f)

Rendimiento y Depuración

Curvas de Aprendizaje: learning_curve()

Diagnosticar sobreajuste y subajuste.

# Trazar curvas de aprendizaje
from sklearn.model_selection import learning_curve
train_sizes, train_scores, val_scores = learning_curve(
    model, X, y, cv=5, train_sizes=np.linspace(0.1, 1.0, 10)
)
plt.figure(figsize=(10, 6))
plt.plot(train_sizes, np.mean(train_scores, axis=1), 'o-',
label='Puntuación de Entrenamiento')
plt.plot(train_sizes, np.mean(val_scores, axis=1), 'o-',
label='Puntuación de Validación')
plt.xlabel('Tamaño del Conjunto de Entrenamiento')
plt.ylabel('Puntuación')
plt.legend()

Curvas de Validación: validation_curve()

Analizar el efecto de los hiperparámetros.

# Curva de validación para un hiperparámetro único
from sklearn.model_selection import validation_curve
param_range = [10, 50, 100, 200, 500]
train_scores, val_scores = validation_curve(
    RandomForestClassifier(random_state=42), X, y,
    param_name='n_estimators',
param_range=param_range, cv=5
)
plt.figure(figsize=(10, 6))
plt.plot(param_range, np.mean(train_scores, axis=1), 'o-',
label='Entrenamiento')
plt.plot(param_range, np.mean(val_scores, axis=1), 'o-',
label='Validación')
plt.xlabel('Número de Estimadores')
plt.ylabel('Puntuación')

Visualización de Importancia de Características

Comprender qué características impulsan las predicciones del modelo.

# Trazar importancia de características
importances = model.feature_importances_
indices = np.argsort(importances)[::-1]
plt.figure(figsize=(12, 8))
plt.title("Importancia de Características")
plt.bar(range(X.shape[1]), importances[indices])
plt.xticks(range(X.shape[1]), [X.columns[i] for i in indices],
rotation=90)
# Valores SHAP para interpretabilidad del modelo
# pip install shap
import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)

Comparación de Modelos

Comparar múltiples algoritmos sistemáticamente.

# Comparar múltiples modelos
from sklearn.model_selection import cross_val_score
models = {
    'Regresión Logística':
LogisticRegression(random_state=42),
    'Bosque Aleatorio':
RandomForestClassifier(random_state=42),
    'SVM': SVC(random_state=42),
    'Aumento de Gradiente':
GradientBoostingClassifier(random_state=42)
}
results = {}
for name, model in models.items():
    scores = cross_val_score(model, X_train, y_train, cv=5,
scoring='accuracy')
    results[name] = scores.mean()
    print(f"{name}: {scores.mean():.4f} (+/- {scores.std() *
2:.4f})")

Configuración y Mejores Prácticas

Estado Aleatorio y Reproducibilidad

Asegurar resultados consistentes entre ejecuciones.

# Establecer estado aleatorio para
reproducibilidad
import numpy as np
np.random.seed(42)
# Establecer random_state en todos los
componentes sklearn
model =
RandomForestClassifier(random
_state=42)
train_test_split(X, y,
random_state=42)
# Para validación cruzada
cv = StratifiedKFold(n_splits=5,
shuffle=True, random_state=42)

Memoria y Rendimiento

Optimizar para grandes conjuntos de datos y eficiencia computacional.

# Usar n_jobs=-1 para
procesamiento paralelo
model =
RandomForestClassifier(n_jobs=
-1)
grid_search =
GridSearchCV(model,
param_grid, n_jobs=-1)
# Para grandes conjuntos de datos, usar
partial_fit cuando esté disponible
from sklearn.linear_model
import SGDClassifier
sgd = SGDClassifier()
# Procesar datos en fragmentos
for chunk in chunks:
    sgd.partial_fit(chunk_X,
chunk_y)

Advertencias y Depuración

Manejar problemas comunes y depurar modelos.

# Suprimir advertencias (usar con
cuidado)
import warnings
warnings.filterwarnings('ignore')
# Habilitar set_config de sklearn para
mejor depuración
from sklearn import set_config
set_config(display='diagram')  #
Visualización mejorada en Jupyter
# Comprobar si hay fuga de datos
from sklearn.model_selection
import cross_val_score
# Asegurar que el preprocesamiento se
realice dentro del bucle CV

Enlaces Relevantes

• Hoja de Trucos de Python
• Hoja de Trucos de Pandas
• Hoja de Trucos de NumPy
• Hoja de Trucos de Matplotlib
• Hoja de Trucos de Ciencia de Datos
• Hoja de Trucos de Base de Datos