• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Evaluación del uso de Tabnine (herramienta de autocompletado de código) en la creación de modelos de aprendizaje automático

Machine learning

febrero 8, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

El autocompletado de código es una funcionalidad que se encuentra en la mayoría de los editores de código modernos. Lo que evita muchos errores y consultas a la documentación. Recientemente han aparecido en el mercado unas soluciones basadas en inteligencia artificial que prometen un paso más allá; no solo completan el código, sino que puede escribir éste de forma automática en base a los comentarios y el contexto. Dos de las más populares son Tabnine y GitHub Copilot. Por eso he decidido probar una de ellas (Tabnine) para ver si pueden ayudar a los científicos de datos para crear modelos de forma más rápida.

Instalación de Tabnine

Una de las ventajas que ofrece Tabnine es la posibilidad de integrar está en prácticamente cualquier entorno de edición de código con el que trabajemos. Incluyendo entre ellos Jupyter Notebook. Por lo que, en la mayoría de los casos no será necesario cambiar de entorno para usar esta herramienta.

La instalación dependerá de editor con el que se desee trabajar. En la mayoría de los casos solo deberemos buscar Tabnine entre los complementos que ofrece nuestro editor, como pude ser VS Code o PyCharm. Para Jupyter Notebook será necesario instalar un paquete mediante pip. Las opciones de integración se pueden encontrar en la documentación del producto. Para esta prueba he usado el Tabnine con DataSpell donde solo ha sido necesario buscar el complemento en la lista de plugin.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Creación de un modelo de regresión lineal

Una prueba que se puede hacer con esta herramienta es ver si es capaz de crear un modelo básico. Por ejemplo, una regresión lineal para lo que debería importar los datos, dividir los datos en entrenamiento y test, entrenar el modelo y medir el rendimiento de este.

Para ello comencé una prueba escribiendo un comentario para cargar los datos de un CSV (Import data from data.csv), siendo el código propuesto es df = pd.read_csv("data.csv"). La línea es correcta pero no ha agregado la importación de Pandas, algo que ha sido necesario realizar manualmente.

El siguiente paso a la hora de crear el modelo es dividir los datos en entrenamiento y test (Split data into train and test sets), siendo el código propuesto x_train, x_test, y_train, y_test = train_test_split(df.iloc[:, :-1], df.iloc[:, -1]). Una línea en la que el programa asume que la variable objetivo es la última y usa el resto de columnas, algo que es razonable ya que no se le indicó nada acerca de la naturaleza de los datos.

Ahora se le puede pedir que cree un modelo de regresión lineal (Fit linear regression model). En este caso, sin que se le diga nada, usa los datos de entrenamiento: model.fit(x_train, y_train).

Finalmente, si solo se le pide que evalúe el modelo lo hace en el conjunto de entrenamiento, pero si se le indica el conjunto lo hace sobre el indicado.

El código que se ha obtenido en la sección es el siguiente (han sido necesario agregar las importaciones para que este sea funcional).

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# Import data from data.csv
df = pd.read_csv("data.csv")

# Split data into train and test sets
x_train, x_test, y_train, y_test = train_test_split(df.iloc[:, :-1], df.iloc[:, -1])

# Fit linear regression model
model = LinearRegression()
model.fit(x_train, y_train)

# Evaluate fitted model
print(model.score(x_test, y_test))

# Evaluate fitted model on training data
print(model.score(x_train, y_train))

# Evaluate fitted model on test data
print(model.score(x_test, y_test))

Como se puede ver este es un código básico, posiblemente necesite refinamientos en la mayoría de los casos, pero es un buen punto de partida. Aunque no importe las librerías.

Evitar la necesidad de recordar o consular fórmulas

Otra utilidad de Tabnine es la posibilidad de pedir al código que escriba fórmulas sencillas para nosotros, como la conversión de grado Fahrenheit a Celsius.

# Farenheit to Celsius conversion
def farenheit_to_celsius(farenheit):
    return (farenheit - 32) * (5 / 9)

Aunque hay que tener cuidado con la respuesta, ya que esta es lo que produce cuando se le pide que convierta de grados Celsius a Kelvin

# Celsius to Kelvin conversion
def celsius_to_kelvin(celsius):
    return (celsius + 273.15) * (5 / 9)

¿Qué hace ahí el 5/9? Posiblemente como la mayoría de los casos la conversión sea de Fahrenheit a Celsius, el modelo entiende que esta parte es necesaria. Algo que nos indica que el este no comprende realmente lo que el código, por lo que siempre es necesario validar las soluciones propuestas. Aunque esto es algo que posiblemente mejore con el tiempo.

Conclusiones

Tabnine puede ser una ayuda a la hora de crear modelos, aunque es algo que no recomiendo para principales ya que es necesario entender lo que se desea hacer para ver si el resultado es válido. En los ejemplo se ha visto que algunas fórmulas básicas no las implementa bien.

Posiblemente estas herramientas dentro de unos años sean como el autocompletado de código hoy en día. Algo que nos ayude a implementar los análisis de una forma más rápida, pero que aún está lejos de poder sustituir completamente a un científico de datos.

Imagen de Alltechbuzz_net en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

Publicidad

Publicado en: Herramientas, Opinión Etiquetado como: Machine learning

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

noviembre 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos publicado el noviembre 16, 2020 | en Python
  • Identificando celdas con espacios en blanco en Excel publicado el noviembre 5, 2018 | en Herramientas
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Solución del error 504 Gateway Timeout en NGINX publicado el abril 10, 2024 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto