Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprende Tipos de Datos | Conceptos de Machine Learning
Introducción al ML con Scikit-learn

bookTipos de Datos

Cada columna (característica) en un conjunto de entrenamiento tiene un tipo de dato asociado. Estos tipos de datos pueden agruparse en numéricos, categóricos y fecha y/o hora.

La mayoría de los algoritmos de ML funcionan bien solo con datos numéricos, por lo que los valores categóricos y de fecha/hora deben convertirse en números.

Para fecha y hora, se pueden extraer características como 'year', 'month' y similares, dependiendo de la tarea. Estos ya son valores numéricos, por lo que pueden utilizarse directamente.

Los datos categóricos son un poco más difíciles de manejar.

Tipos de datos categóricos

Los datos categóricos se clasifican en dos tipos:

  • Datos ordinales: tipo de datos categóricos en los que las categorías siguen un orden natural. Por ejemplo, nivel educativo (de escuela primaria a doctorado) o valoraciones (de muy malo a muy bueno), etc.;

  • Datos nominales: tipo de datos categóricos que no siguen un orden natural. Por ejemplo, nombre, género, país de origen, etc.

La conversión de datos ordinales y nominales a valores numéricos requiere enfoques diferentes, por lo que deben tratarse por separado.

Note
Estudiar más

Existen mejores formas de convertir fechas a valores numéricos que van más allá del alcance de este curso introductorio. Por ejemplo, si solo se utiliza la característica 'month', no se considera que el 12º mes en realidad está más cerca del que del .

question-icon

Relaciona la característica con su tipo de dato.

Price (100, 235) –
Color (blue, orange) –

Academic grades (A, B, C, and so on) –

Click or drag`n`drop items and fill in the blanks

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 1. Capítulo 4

Pregunte a AI

expand

Pregunte a AI

ChatGPT

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Suggested prompts:

Can you explain how to convert ordinal data into numerical values?

What are the common methods for encoding nominal data?

Why do machine learning algorithms require numerical data?

Awesome!

Completion rate improved to 3.13

bookTipos de Datos

Desliza para mostrar el menú

Cada columna (característica) en un conjunto de entrenamiento tiene un tipo de dato asociado. Estos tipos de datos pueden agruparse en numéricos, categóricos y fecha y/o hora.

La mayoría de los algoritmos de ML funcionan bien solo con datos numéricos, por lo que los valores categóricos y de fecha/hora deben convertirse en números.

Para fecha y hora, se pueden extraer características como 'year', 'month' y similares, dependiendo de la tarea. Estos ya son valores numéricos, por lo que pueden utilizarse directamente.

Los datos categóricos son un poco más difíciles de manejar.

Tipos de datos categóricos

Los datos categóricos se clasifican en dos tipos:

  • Datos ordinales: tipo de datos categóricos en los que las categorías siguen un orden natural. Por ejemplo, nivel educativo (de escuela primaria a doctorado) o valoraciones (de muy malo a muy bueno), etc.;

  • Datos nominales: tipo de datos categóricos que no siguen un orden natural. Por ejemplo, nombre, género, país de origen, etc.

La conversión de datos ordinales y nominales a valores numéricos requiere enfoques diferentes, por lo que deben tratarse por separado.

Note
Estudiar más

Existen mejores formas de convertir fechas a valores numéricos que van más allá del alcance de este curso introductorio. Por ejemplo, si solo se utiliza la característica 'month', no se considera que el 12º mes en realidad está más cerca del que del .

question-icon

Relaciona la característica con su tipo de dato.

Price (100, 235) –
Color (blue, orange) –

Academic grades (A, B, C, and so on) –

Click or drag`n`drop items and fill in the blanks

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 1. Capítulo 4
some-alt