Análisis Discriminante Lineal LDA con Python

[@JavierDelCarpio-q1i]

muchas gracias don Jacob por su explicación

[@jacobavilacamacho7644]

Con gusto, muchas gracias

[@priscilaalva1418]

Qué hermosa voz tiene usted. Muchas gracias, saludos.

[@jacobavilacamacho7644]

Hola Priscila, muchas gracias

[@jorgegonzalezherrera7457]

Hola buenas tardes Jacob, ahora cómo se prueba el modelo con nuevos datos para clasificar estos?

[@jacobavilacamacho7644]

Hola Jorge, en el video, el nuevo conjunto de datos, resultante de aplicar el LDA, lo probamos con la regresión logística, para comprobar que las nuevas variables no perdieron información del conjunto original de datos.

[@johannagutierrezgaviria1064]

Hola, muchas gracias por el vídeo, me fue muy útil para entender LDA y hacer la práctica con Python. Me puedes indicar cuantos componentes debería colocar cuando la variable dependiente tiene sólo dos clases? Gracias.

[@jacobavilacamacho7644]

Hola Johanna, Si sólo tienes dos clases, de acuerdo con la documentación de la clase la variable n_components debería ser menor o igual al mínimo entre el número de clases menos uno y la cantidad de variables independientes, min (2-1, n_features). tomando esto en cuenta, n_components tendría que ser 1, por lo que podrías probar con 1 y con 2 para después ver si el modelo predictivo resulta tener buena precisión.

[@jacobavilacamacho7644]

Te dejo también el archivo de datos que yo utilice: saludos drive.google.com/file/d/1GeH8W1zFuq9XH2qaS66JJEXJh2QuO292/view?usp=sharing

[@johannagutierrezgaviria1064]

@@jacobavilacamacho7644 Gracias!! Una pregunta.. tienes algún video o referenciación del uso de pipelines con Scikit-Learn?

[@jacobavilacamacho7644]

@@johannagutierrezgaviria1064 No aún no. Estoy preparando unos nuevos y entre ellos pipelines pero el siguiente es sobre reglas de asociación y el siguiente de redes neuronales con tensorflow y keras

[@cMonsalveAdm]

Gracias, Prof . recapitulando : para clasificar en grupos se utiliza la regresion logistica o el Arbol de decision o el Naive-Bayes y para reducir la dimensionalidad cuando YA se tienen los grupos definidos se utiliza el analisis discriminante. es correcto?

[@jacobavilacamacho7644]

Es correcto. Aunque para reducir la dimensionalidad puede ser antes de tener los grupos

[@lilianagarcia4878]

Hola, que buen video, muy bien explicado. ¿es posible que puedas compartir la base de Vinos.csv para realizar el mismo ejercicios? Gracias.

[@jacobavilacamacho7644]

Hola Liliana, muchas gracias. Claro que si, te dejo la liga para descargar el archivo: drive.google.com/file/d/1GeH8W1zFuq9XH2qaS66JJEXJh2QuO292/view?usp=sharing

[@Valentina-ei9eq]

OMG gracias por el comentario, justo andaba buscandolo

[@erickcedeno7823]

Buen video, una consulta, si tengo mas de 2 variables a predecir pero son textos, por ejemplo (van, bus, saab o opel) aún puedo usar el LDA o se tendría que usar FLDA?

[@jacobavilacamacho7644]

Si puedes usar LDA, pero habría que codificar las variables, lo más conveniente es crear variables dummies

[@hectorm.marquinan.4872]

y los archivos de datos de donde los sacas?

[@jacobavilacamacho7644]

Te dejo el link para descargar el de este ejercicio. drive.google.com/file/d/1GeH8W1zFuq9XH2qaS66JJEXJh2QuO292/view?usp=sharing Puedes buscar datasets en Google Dataset y/o en Kaggle

[@matheobermudez7847]

que buen video, muy bien explicado. tengo una pregunta, si tengo solo 2 clases, los componentes se me reducen a 1?

[@jacobavilacamacho7644]

Hola, no necesariamente. Por que no depende de la cantidad de clases, sino de la cantidad de variables independientes. Si sólo tienes 2 variables independientes, no necesitas aplicar la reducción de la dimensionalidad

[@ismaeljose8737]

Hola Excelente video, tal vez podrías adjuntas la base de datos para practicar , tu ejemplo , muchas gracias!

[@johannagutierrezgaviria1064]

Puedes encontrar la base en: archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data

[@jacobavilacamacho7644]

Gracias Ismael por tu comentario. Te dejo el archivo que yo utilice en este ejercicio: drive.google.com/file/d/1GeH8W1zFuq9XH2qaS66JJEXJh2QuO292/view?usp=sharing