Lucio Correa

Se realizará un ejemplo de un pronóstico de una serie de tiempo con Sklearn y  Skforecast  y se utilizará un data set obtenido de  Kaggle . Además se muestra en el ejemplo como realizar el ajuste de los hiperparámetros del modelo. Primero importo todas las bibliotecas necesarias import pandas as pd import matplotlib.pyplot as plt import skforecast from skforecast.ForecasterAutoreg import ForecasterAutoreg from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error from skforecast.model_selection import grid_search_forecaster Abro mi dataset de tipo '.csv' df = pd.read_csv( 'time_serie.csv' ) Observo la estructura de mis datos df . head () En este caso vamos a querer pronosticar 'Sales_cuantity'. #Reinicio el índice y me quedo con la columna de interés df [ 'x' ] = df . index df = df [[ 'x' , 'Sales_quantity' ]] df . reset_index ( drop = True , inplace = True ) Visualización de los dato

Análisis exploratorio de datos sobre un dataset de Airbnb. En 2015 el ayuntamiento de París aplicó restricciones sobre los alquileres a través de Airbnb para abordar problemas relacionados a la vivienda y el turismo, con el objetivo de regular la oferta de los residentes hacia los turistas. Estas restricciones incluyen registro obligatorio por parte de los dueños, límite de días por año para alquilar la propiedad, autorización para el alquiler de viviendas secundarias. Se realizan inspecciones para asegurar que los anfitriones cumplen con las restricciones y en caso de no hacerlo pueden correr multas muy elevadas de hasta 50.000 Euros. Análisis exploratorio de datos Se analizará la situación actual del alquiler de propiedades a través de Airbnb en París y el efecto que tuvieron las restricciones anteriormente mencionadas en la oferta de alojamiento. Precio promedio de alquiler según el barrio. Precio promedio según la cantidad de plazas disponibles por hospedaje. Cantidad de hosts y pr