Saltar a contenido

Ejercicios · Series Temporales · Ensambles de árboles

Un árbol de regresión con sus dos frenos, un Random Forest que promedia árboles y XGBoost, que los suma uno tras otro, pronosticando 2025 mes a mes sobre la diferencia con hace 12 meses. Cada enlace abre una actividad que se trabaja en el navegador, sin instalar nada.

Cada actividad empieza con la serie de análisis y unas claves que sirven para el ejercicio de esa página. Después viene una pregunta para responder antes de tocar nada, sigue con los controles y cierra con la explicación, que aparece cuando las preguntas quedan resueltas. Cada respuesta muestra su razón, se acierte o no. El MAE y el máximo del entrenamiento se calculan en la página; los pronósticos vienen de scikit-learn y de xgboost, con el mismo código del notebook de la sesión, y se calcularon fuera de la página para cada posición de los controles. El MAE del backtest que citan las preguntas sale de la tabla de la sesión.

Bosques

Un árbol o un bosque

max_depth de 1 a 10 o sin límite, min_samples_leaf de 1, 2, 5 o 10, y un Random Forest con esos frenos y de 10 a 300 árboles. La página muestra el pronóstico de 2025 contra lo observado, su MAE y la línea del mes más alto del entrenamiento. Se trata de ver desde qué profundidad el árbol deja de repetir la pandemia en 2025 y cuánto baja el MAE del bosque de 10 a 300 árboles.

Potenciación

Tasa, árboles y profundidad de XGBoost

learning_rate de 0,01 a 0,5, n_estimators de 25 a 300 y max_depth de 1 a 8, uno a la vez desde los valores por defecto, con el pronóstico de 2025 y su MAE. Se trata de ver cuántos árboles necesita una tasa de 0,01 para alcanzar la serie, y por qué XGBoost por defecto tiene un MAE bajo en 2025 y aun así queda detrás del estacional ingenuo en el backtest.