Índices incorrectos
Devolvé los ÍNDICES donde la predicción NO coincide con el real, como lista. Ejemplo: indices_incorrectos([1, 0, 1], [1, 1, 1]) → [1]
Entrá y llevá tu progreso —ejercicios, medallas y Pokémon— a cualquier dispositivo. 🔄
Si tu cuenta ya tiene progreso guardado, se carga ese al entrar.
Entraste como . Tu progreso se sincroniza solo. 🔄
Devolvé los ÍNDICES donde la predicción NO coincide con el real, como lista. Ejemplo: indices_incorrectos([1, 0, 1], [1, 1, 1]) → [1]
🎯 Meta: entrenar un modelo que prediga categorías — el ejemplo clásico de IA. Vas a clasificar el tipo de un Pokémon a partir de sus stats.
Clasificar = predecir a qué grupo pertenece algo: ¿es spam o no? ¿perro o gato? ¿Fuego o Agua? La respuesta es una categoría (no un número).
El KNeighborsClassifier mira los k vecinos más cercanos y hace que voten. Con k=3, mira los 3 más parecidos y elige la categoría que más se repite.
from sklearn.neighbors import KNeighborsClassifier
# [ataque, defensa] -> 0 = Fuego, 1 = Agua
X = [[90, 40], [85, 45], [88, 42], [40, 90], [45, 85], [42, 88]]
y = [0, 0, 0, 1, 1, 1]
modelo = KNeighborsClassifier(n_neighbors=3)
modelo.fit(X, y)
print(modelo.predict([[89, 41]])) # [0] -> Fuego
print(modelo.predict([[41, 89]])) # [1] -> Agua
💡 k=3 suele andar mejor que k=1: al votar entre varios vecinos, un dato raro no arruina la predicción.
from sklearn.neighbors import KNeighborsClassifier
X = [[90, 40], [85, 45], [88, 42], [40, 90], [45, 85], [42, 88]]
y = ["Fuego", "Fuego", "Fuego", "Agua", "Agua", "Agua"]
modelo = KNeighborsClassifier(n_neighbors=3).fit(X, y)
nuevos = [[95, 35], [38, 92], [80, 50]]
print(modelo.predict(nuevos)) # ['Fuego' 'Agua' 'Fuego']
💡 Las etiquetas pueden ser textos ("Fuego") o números (0). El modelo no se da cuenta de la diferencia: aprende del patrón de las features.
P: En `KNeighborsClassifier(n_neighbors=3)`, ¿qué significa `n_neighbors=3`?
- El modelo necesita mínimo 3 datos para entrenarse
+ Mira los 3 ejemplos más parecidos y hace que voten
- Divide los datos en 3 grupos iguales
> Con `k=3` el modelo busca los 3 vecinos más cercanos y elige la categoría que más se repite entre ellos. Más vecinos = decisión más estable.
Muchos modelos te dan la probabilidad de cada categoría con predict_proba:
from sklearn.neighbors import KNeighborsClassifier
X = [[90, 40], [85, 45], [88, 42], [40, 90], [45, 85], [42, 88]]
y = [0, 0, 0, 1, 1, 1]
modelo = KNeighborsClassifier(n_neighbors=3).fit(X, y)
print(modelo.predict_proba([[60, 60]])) # [[prob_Fuego, prob_Agua]]
P: ¿Qué devuelve `modelo.predict_proba([[60, 60]])`?
- El nombre de la categoría predicha
- Un número entre 0 y 1 que indica el nivel de confianza total
+ Un arreglo con la probabilidad de cada categoría posible
> `predict_proba` da la **probabilidad** de cada clase. Por ejemplo `[[0.67, 0.33]]` significa 67% Fuego y 33% Agua. `predict` solo da la más probable.
| Cosa | Para qué |
|---|---|
| clasificar | predecir una categoría |
KNeighborsClassifier(n_neighbors=k) | clasificador por k vecinos |
.predict([fila]) | predecir una |
.predict(filas) | predecir muchas |
.predict_proba(...) | probabilidad de cada categoría |
Practicá con los ejercicios de este tema. 💪
⚡ “Mostrale ejemplos y aprende a etiquetar el mundo. Eso hace un clasificador.”