🕷️ Crawler Inspector

URL Lookup

Direct Parameter Lookup

Raw Queries and Responses

1. Shard Calculation

Query:

Response:

Calculated Shard: 28 (from laksa013)

2. Crawled Status Check

Query:

curl -X POST \
  'http://laksa028.int.ahrefs:8124/' \
  -H 'Content-Type: text/plain' \
  -H 'X-ClickHouse-Database: crawler3' \
  -H 'Authorization: Basic YXBpOg==' \
  -d 'SELECT getAhrefsURLFromUnparsed(src_unparsed) AS found_url, ifNull(toUnixTimestamp(download_stamp), 0) AS crawl_time, ifNull(toUnixTimestamp(props_url_first_seen), 0) AS first_indexed_time, download_http_code AS http_code, src_unparsed AS src_unparsed, src_root_hash AS src_root_hash, history_drop_reason AS history_drop_reason, meta_title AS meta_title, meta_descriptions AS meta_descriptions, attrs_boilerpipe_text AS attrs_boilerpipe_text, attrs_markdown AS attrs_markdown, attrs_readable_markdown AS attrs_readable_markdown, meta_canonical AS meta_canonical FROM crawler3.page_info_local FINAL PREWHERE (src_root_hash, src_unparsed) IN ((getAhrefsRootHashFromUnparsed(getAhrefsUnparsedNoserviceFromURL(\'https://labex.io/es/tutorials/ml-kernel-density-estimation-49109\')), getAhrefsUnparsedNoserviceFromURL(\'https://labex.io/es/tutorials/ml-kernel-density-estimation-49109\'))) FORMAT JSONEachRow'

Response:

{"found_url":"https:\/\/labex.io\/es\/tutorials\/ml-kernel-density-estimation-49109","crawl_time":1755275532,"first_indexed_time":0,"http_code":200,"src_unparsed":"io,labex!\/es\/tutorials\/ml-kernel-density-estimation-49109 s443","src_root_hash":"1963243295958744828","history_drop_reason":null,"meta_title":"Dominando la Estimación de Densidad Kernel para la Generación de Datos | LabEx","meta_descriptions":["Explora el poder de la Estimación de Densidad Kernel para generar nuevas muestras de datos a partir del conjunto de datos de dígitos usando Python y scikit-learn."],"attrs_boilerpipe_text":"Introducción La Estimación de Densidad Kernel (KDE, por sus siglas en inglés) es una técnica de estimación de densidad no paramétrica. En este laboratorio, aprenderemos a usar la KDE para generar nuevas muestras de datos. Usaremos la biblioteca scikit-learn para implementar esta técnica. Consejos sobre la VM Una vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña  Cuaderno  y acceder a Jupyter Notebook para practicar. A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook. Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.","attrs_markdown":"[![LabEx](https:\/\/labex.io\/_ipx\/s_98x30\/labex-logo-dark.svg)](https:\/\/labex.io\/es)\n\n- [Aprender](https:\/\/labex.io\/es\/learn \"Learn\")\n- [Proyectos](https:\/\/labex.io\/es\/projects \"Projects\")\n- [Precios](https:\/\/labex.io\/es\/pricing \"Pricing\")\n\n[Iniciar Sesión](https:\/\/labex.io\/es\/login)[Únete Gratis](https:\/\/labex.io\/es\/register)\n\n1. [Aprender](https:\/\/labex.io\/es)\n2. [Tutoriales](https:\/\/labex.io\/es\/tutorials)\n3. [Machine Learning](https:\/\/labex.io\/es\/tutorials\/category\/ml)\n# Estimación de Densidad Kernel\n[![Machine Learning](https:\/\/file.labex.io\/path\/1kXLbMH5geSl.png)Machine Learning](https:\/\/labex.io\/learn\/ml)\n\nBeginner\n\n![Estimación de Densidad Kernel](https:\/\/icons.labex.io\/kernel-density-estimation.png)\n\nEstimación de Densidad Kernel\n\n[Practicar Ahora](https:\/\/labex.io\/es\/labs\/ml-kernel-density-estimation-49109)\n\nThis tutorial is from open-source community. Access the source code\n\n💡 Este tutorial está traducido por IA desde la versión en inglés. Para ver la versión original, puedes [hacer clic aquí](https:\/\/labex.io\/tutorials\/ml-kernel-density-estimation-49109)\n\nContenido\n\n- [Introducción](https:\/\/labex.io\/es\/tutorials\/ml-kernel-density-estimation-49109#introducci%C3%B3n)\n- [Cargar datos](https:\/\/labex.io\/es\/tutorials\/ml-kernel-density-estimation-49109#cargar-datos)\n- [Optimizar el ancho de banda](https:\/\/labex.io\/es\/tutorials\/ml-kernel-density-estimation-49109#optimizar-el-ancho-de-banda)\n- [Generar nuevas muestras](https:\/\/labex.io\/es\/tutorials\/ml-kernel-density-estimation-49109#generar-nuevas-muestras)\n- [Graficar los resultados](https:\/\/labex.io\/es\/tutorials\/ml-kernel-density-estimation-49109#graficar-los-resultados)\n- [Resumen](https:\/\/labex.io\/es\/tutorials\/ml-kernel-density-estimation-49109#resumen)\n\n[![Default VM Cover](https:\/\/labex.io\/_ipx\/_\/images\/lab\/env-desktop.png)](https:\/\/labex.io\/es\/labs\/ml-kernel-density-estimation-49109)\n\n[Practicar Ahora](https:\/\/labex.io\/es\/labs\/ml-kernel-density-estimation-49109)\n\n## Introducción\nLa Estimación de Densidad Kernel (KDE, por sus siglas en inglés) es una técnica de estimación de densidad no paramétrica. En este laboratorio, aprenderemos a usar la KDE para generar nuevas muestras de datos. Usaremos la biblioteca scikit-learn para implementar esta técnica.\n\n### Consejos sobre la VM\nUna vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña **Cuaderno** y acceder a Jupyter Notebook para practicar.\n\nA veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.\n\nSi tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.\n\n## Cargar datos\nPrimero, cargamos el conjunto de datos de dígitos de scikit-learn. Este conjunto de datos contiene imágenes de 8x8 de dígitos del 0 al 9. Usaremos Análisis de Componentes Principales (PCA, por sus siglas en inglés) para reducir la dimensión del conjunto de datos a 15.\n```\nfrom sklearn.datasets import load_digits\nfrom sklearn.decomposition import PCA\n\n## load the digits dataset\ndigits = load_digits()\n\n## reduce the dimension of the dataset to 15 using PCA\npca = PCA(n_components=15, whiten=False)\ndata = pca.fit_transform(digits.data)\n```\n\n## Optimizar el ancho de banda\nUsamos la validación cruzada con búsqueda en cuadrícula para optimizar el parámetro de ancho de banda de la KDE. El parámetro de ancho de banda controla la suavidad de la estimación de densidad.\n```\nfrom sklearn.neighbors import KernelDensity\nfrom sklearn.model_selection import GridSearchCV\nimport numpy as np\n\n## use grid search cross-validation to optimize the bandwidth\nparams = {\"bandwidth\": np.logspace(-1, 1, 20)}\ngrid = GridSearchCV(KernelDensity(), params)\ngrid.fit(data)\n\nprint(\"best bandwidth: {0}\".format(grid.best_estimator_.bandwidth))\n\n## use the best estimator to compute the kernel density estimate\nkde = grid.best_estimator_\n```\n\n## Generar nuevas muestras\nUsamos el mejor estimador para tomar 44 nuevos puntos de muestra a partir de los datos. Luego transformamos los nuevos datos de vuelta a sus 64 dimensiones originales usando la inversa de PCA.\n```\n## sample 44 new points from the data\nnew_data = kde.sample(44, random_state=0)\nnew_data = pca.inverse_transform(new_data)\n```\n\n## Graficar los resultados\nGraficamos los dígitos originales y los dígitos resampleados lado a lado en una cuadrícula de 4x11.\n```\nimport matplotlib.pyplot as plt\n\n## turn data into a 4x11 grid\nnew_data = new_data.reshape((4, 11, -1))\nreal_data = digits.data[:44].reshape((4, 11, -1))\n\n## plot real digits and resampled digits\nfig, ax = plt.subplots(9, 11, subplot_kw=dict(xticks=[], yticks=[]))\nfor j in range(11):\n    ax[4, j].set_visible(False)\n    for i in range(4):\n        im = ax[i, j].imshow(\n            real_data[i, j].reshape((8, 8)), cmap=plt.cm.binary, interpolation=\"nearest\"\n        )\n        im.set_clim(0, 16)\n        im = ax[i + 5, j].imshow(\n            new_data[i, j].reshape((8, 8)), cmap=plt.cm.binary, interpolation=\"nearest\"\n        )\n        im.set_clim(0, 16)\n\nax[0, 5].set_title(\"Selection from the input data\")\nax[5, 5].set_title('\"New\" digits drawn from the kernel density model')\n\nplt.show()\n```\n\n## Resumen\nEn este laboratorio, aprendimos cómo usar la Estimación de Densidad Kernel (KDE, por sus siglas en inglés) para generar nuevas muestras de datos. Usamos la biblioteca scikit-learn para implementar esta técnica. Optimizamos el parámetro de ancho de banda de la KDE usando la validación cruzada con búsqueda en cuadrícula. Luego tomamos muestras de nuevos puntos de datos y los transformamos de vuelta a su dimensión original usando PCA. Finalmente, graficamos los dígitos originales y los dígitos resampleados lado a lado en una cuadrícula de 4x11.\n\ncompartir\n\ntemas\n\n[Linux](https:\/\/labex.io\/es\/tutorials\/category\/linux)[DevOps](https:\/\/labex.io\/es\/tutorials\/category\/devops)[Ciberseguridad](https:\/\/labex.io\/es\/tutorials\/category\/cybersecurity)[Base de datos](https:\/\/labex.io\/es\/tutorials\/category\/database)[Python](https:\/\/labex.io\/es\/tutorials\/category\/python)[Docker](https:\/\/labex.io\/es\/tutorials\/category\/docker)[Kubernetes](https:\/\/labex.io\/es\/tutorials\/category\/kubernetes)[Red Hat Enterprise Linux](https:\/\/labex.io\/es\/tutorials\/category\/rhel)[Git](https:\/\/labex.io\/es\/tutorials\/category\/git)[CompTIA](https:\/\/labex.io\/es\/tutorials\/category\/comptia)[Shell](https:\/\/labex.io\/es\/tutorials\/category\/shell)[Nmap](https:\/\/labex.io\/es\/tutorials\/category\/nmap)[Wireshark](https:\/\/labex.io\/es\/tutorials\/category\/wireshark)[Hydra](https:\/\/labex.io\/es\/tutorials\/category\/hydra)[Java](https:\/\/labex.io\/es\/tutorials\/category\/java)[SQLite](https:\/\/labex.io\/es\/tutorials\/category\/sqlite)[PostgreSQL](https:\/\/labex.io\/es\/tutorials\/category\/postgresql)[MySQL](https:\/\/labex.io\/es\/tutorials\/category\/mysql)[Redis](https:\/\/labex.io\/es\/tutorials\/category\/redis)[MongoDB](https:\/\/labex.io\/es\/tutorials\/category\/mongodb)[Golang](https:\/\/labex.io\/es\/tutorials\/category\/go)[C++](https:\/\/labex.io\/es\/tutorials\/category\/cpp)[C](https:\/\/labex.io\/es\/tutorials\/category\/c)[Ansible](https:\/\/labex.io\/es\/tutorials\/category\/ansible)[Ciencia de datos](https:\/\/labex.io\/es\/tutorials\/category\/datascience)[Pandas](https:\/\/labex.io\/es\/tutorials\/category\/pandas)[NumPy](https:\/\/labex.io\/es\/tutorials\/category\/numpy)[scikit-learn](https:\/\/labex.io\/es\/tutorials\/category\/sklearn)[Matplotlib](https:\/\/labex.io\/es\/tutorials\/category\/matplotlib)[Desarrollo web](https:\/\/labex.io\/es\/tutorials\/category\/webdev)[Alibaba Cloud](https:\/\/labex.io\/es\/tutorials\/category\/alibaba)[HTML](https:\/\/labex.io\/es\/tutorials\/category\/html)[CSS](https:\/\/labex.io\/es\/tutorials\/category\/css)[JavaScript](https:\/\/labex.io\/es\/tutorials\/category\/javascript)[React](https:\/\/labex.io\/es\/tutorials\/category\/react)[Kali Linux](https:\/\/labex.io\/es\/tutorials\/category\/kali)\n\nReseñas de Usuarios\n\n> \" Great Implementation! Ease of Usage and Understanding you covered it all! Also great structuring to make learning practical and easy!\"\n\n— abhishek vishwakarma\n\n> \" Хорошее начало для понимания Docker и контейнеризации. \"\n\n— george\\_devops\n\n[Ver Más Reseñas](https:\/\/labex.io\/es\/pricing#reviews)\n\nRelacionado [Machine Learning Cursos](https:\/\/labex.io\/learn\/ml)\n\n[![Inicio rápido con Python](https:\/\/cover-creator.labex.io\/quick-start-with-python.png?lang=es) Inicio rápido con Python LinuxPython Principiante](https:\/\/labex.io\/es\/courses\/quick-start-with-python)\n\n[![Aprendizaje Supervisado: Regresión](https:\/\/cover-creator.labex.io\/supervised-learning-regression.png?lang=es) Aprendizaje Supervisado: Regresión scikit-learnMachine Learning Intermedio](https:\/\/labex.io\/es\/courses\/supervised-learning-regression)\n\n[![Aprendizaje Supervisado: Clasificación](https:\/\/cover-creator.labex.io\/supervised-learning-classification.png?lang=es) Aprendizaje Supervisado: Clasificación scikit-learnMachine Learning Intermedio](https:\/\/labex.io\/es\/courses\/supervised-learning-classification)\n\n[![LabEx](https:\/\/labex.io\/_ipx\/s_196x60\/labex-logo-light.svg)](https:\/\/labex.io\/es\/tutorials\/ml-kernel-density-estimation-49109)\n\n🇪🇸 Español\n\nAprende Linux, DevOps y Ciberseguridad con Laboratorios Prácticos\n\nCURSOS PRÁCTICOS\n\n[Aprender Linux](https:\/\/labex.io\/es\/learn\/linux)\n\n[Aprender Python](https:\/\/labex.io\/es\/learn\/python)\n\n[Aprender Ciberseguridad](https:\/\/labex.io\/es\/learn\/cybersecurity)\n\n[Aprender Docker](https:\/\/labex.io\/es\/learn\/docker)\n\n[Aprender CompTIA](https:\/\/labex.io\/es\/learn\/comptia)\n\n[Aprender Java](https:\/\/labex.io\/es\/learn\/java)\n\n[Aprender Ciencia de Datos](https:\/\/labex.io\/es\/learn\/data-science)\n\n[Aprender Git](https:\/\/labex.io\/es\/learn\/git)\n\n[Aprender Kubernetes](https:\/\/labex.io\/es\/learn\/kubernetes)\n\n[Aprender Kali Linux](https:\/\/labex.io\/es\/learn\/kali)\n\n[Aprender Ansible](https:\/\/labex.io\/es\/learn\/ansible)\n\n[Aprender DevOps](https:\/\/labex.io\/es\/learn\/devops)\n\n[Aprender Machine Learning](https:\/\/labex.io\/es\/learn\/ml)\n\n[Examen de Práctica RHCSA](https:\/\/labex.io\/es\/courses\/rhcsa-certification-exam-practice-exercises)\n\n[CompTIA Linux+](https:\/\/labex.io\/es\/courses\/comptia-linux-plus-training-labs)\n\n[Ejercicios de Python](https:\/\/labex.io\/es\/exercises\/python)\n\n[Hoja de Comandos de Linux](https:\/\/linux-commands.labex.io\/)\n\nLABORATORIOS DE PRÁCTICA\n\n[Proyectos Linux](https:\/\/labex.io\/es\/projects\/category\/linux)\n\n[Proyectos Python](https:\/\/labex.io\/es\/projects\/category\/python)\n\n[Proyectos Java](https:\/\/labex.io\/es\/projects\/category\/java)\n\n[Proyectos en Lenguaje C](https:\/\/labex.io\/es\/projects\/category\/c)\n\n[Proyectos DevOps](https:\/\/labex.io\/es\/projects\/category\/devops)\n\n[Proyectos Golang](https:\/\/labex.io\/es\/projects\/category\/go)\n\n[Práctica de Git](https:\/\/labex.io\/es\/free-labs\/git)\n\n[Práctica de Shell](https:\/\/labex.io\/es\/free-labs\/shell)\n\n[Práctica de Java](https:\/\/labex.io\/es\/free-labs\/java)\n\n[Práctica de Docker](https:\/\/labex.io\/es\/free-labs\/docker)\n\n[Práctica de MySQL](https:\/\/labex.io\/es\/free-labs\/mysql)\n\n[Práctica de MongoDB](https:\/\/labex.io\/es\/free-labs\/mongodb)\n\n[Práctica de Kubernetes](https:\/\/labex.io\/es\/free-labs\/kubernetes)\n\n[Práctica de Machine Learning](https:\/\/labex.io\/es\/free-labs\/ml)\n\n[Práctica de Ciberseguridad](https:\/\/labex.io\/es\/free-labs\/cybersecurity)\n\n[Práctica de Nmap](https:\/\/labex.io\/es\/free-labs\/nmap)\n\n[Práctica de Wireshark](https:\/\/labex.io\/es\/free-labs\/wireshark)\n\nENTORNOS DE PRÁCTICA\n\n[Terminal Linux Online](https:\/\/labex.io\/es\/tutorials\/linux-online-linux-playground-372915)\n\n[Entorno Docker](https:\/\/labex.io\/es\/tutorials\/docker-online-docker-playground-372912)\n\n[Entorno Python](https:\/\/labex.io\/es\/tutorials\/python-online-python-playground-372886)\n\n[Entorno Golang](https:\/\/labex.io\/es\/tutorials\/go-online-golang-playground-372913)\n\n[Compilador C++ Online](https:\/\/labex.io\/es\/tutorials\/cpp-online-c-playground-372911)\n\n[Entorno Ansible](https:\/\/labex.io\/es\/tutorials\/ansible-online-ansible-playground-415831)\n\n[Entorno Jenkins](https:\/\/labex.io\/es\/tutorials\/jenkins-online-jenkins-playground-415838)\n\n[Entorno Kubernetes](https:\/\/labex.io\/es\/tutorials\/kubernetes-online-kubernetes-cluster-593609)\n\n[Entorno Java](https:\/\/labex.io\/es\/tutorials\/java-online-java-playground-372914)\n\n[Entorno Rust](https:\/\/labex.io\/es\/tutorials\/rust-online-rust-playground-372918)\n\n[Kali Linux Online](https:\/\/labex.io\/es\/tutorials\/kali-online-kali-linux-terminal-and-playground-592935)\n\n[Nmap Online](https:\/\/labex.io\/es\/tutorials\/nmap-online-nmap-playground-593613)\n\n[Wireshark Online](https:\/\/labex.io\/es\/tutorials\/wireshark-online-wireshark-playground-593624)\n\n[MySQL Online](https:\/\/labex.io\/es\/tutorials\/mysql-online-mysql-playground-372916)\n\n[PostgreSQL Online](https:\/\/labex.io\/es\/tutorials\/kali-online-postgresql-database-playground-593616)\n\n[Simulador de Examen RHCSA](https:\/\/labex.io\/es\/tutorials\/rhel-online-rhel-terminal-rhcsa-and-rhce-exam-playground-592933)\n\n[Máquinas Virtuales Online](https:\/\/labex.io\/es\/tutorials\/linux-online-virtual-machines-and-playgrounds-593595)\n\nTUTORIALES\n\n[Tutorial de Linux](https:\/\/labex.io\/es\/tutorials\/category\/linux)\n\n[Tutorial de Docker](https:\/\/labex.io\/es\/tutorials\/category\/docker)\n\n[Tutorial de Kubernetes](https:\/\/labex.io\/es\/tutorials\/category\/kubernetes)\n\n[Tutorial de MongoDB](https:\/\/labex.io\/es\/tutorials\/category\/mongodb)\n\n[Tutorial de PostgreSQL](https:\/\/labex.io\/es\/tutorials\/category\/postgresql)\n\n[Tutorial de Wireshark](https:\/\/labex.io\/es\/tutorials\/category\/wireshark)\n\n[Tutorial de DevOps](https:\/\/labex.io\/es\/tutorials\/category\/devops)\n\n[Tutorial de Ciberseguridad](https:\/\/labex.io\/es\/tutorials\/category\/cybersecurity)\n\n[Preguntas de Entrevista de Java](https:\/\/labex.io\/es\/tutorials\/java-java-interview-questions-and-answers-593685)\n\n[Preguntas de Entrevista de Python](https:\/\/labex.io\/es\/tutorials\/python-python-interview-questions-and-answers-593698)\n\n[Preguntas de Entrevista de Kubernetes](https:\/\/labex.io\/es\/tutorials\/kubernetes-kubernetes-interview-questions-and-answers-593688)\n\n[Preguntas de Entrevista de DevOps](https:\/\/labex.io\/es\/tutorials\/linux-devops-interview-questions-and-answers-593679)\n\n[Preguntas de Entrevista de Ciberseguridad](https:\/\/labex.io\/es\/tutorials\/cybersecurity-cybersecurity-interview-questions-and-answers-593676)\n\n[Preguntas de Entrevista de Docker](https:\/\/labex.io\/es\/tutorials\/docker-docker-interview-questions-and-answers-593680)\n\n[Preguntas de Entrevista de Linux](https:\/\/labex.io\/es\/tutorials\/linux-linux-interview-questions-and-answers-593689)\n\n[Preguntas de Entrevista de MongoDB](https:\/\/labex.io\/es\/tutorials\/mongodb-mongodb-interview-questions-and-answers-593692)\n\n[Preguntas de Entrevista de Bases de Datos](https:\/\/labex.io\/es\/tutorials\/linux-database-interview-questions-and-answers-593677)\n\n[SOPORTE](https:\/\/support.labex.io\/)\\|[CONTACTO](https:\/\/labex.io\/cdn-cgi\/l\/email-protection#7e171018113e121f1c1b06501711)\\|[FORO](https:\/\/labex.io\/es\/forum)\\|[TUTORIALES](https:\/\/labex.io\/es\/tutorials)\\|[LABORATORIOS GRATUITOS](https:\/\/labex.io\/es\/free-labs)\\|[PREGUNTAS DE ENTREVISTA](https:\/\/labex.io\/es\/tutorials\/linux-technical-interview-questions-and-answers-593708)\\|[EJERCICIOS](https:\/\/labex.io\/es\/exercises)\\|[LABEX TEAMS](https:\/\/labex.io\/es\/teams)\\|[AFILIADOS](https:\/\/labex.io\/es\/questions\/labex-affiliate-program-a6jov663)\\|[MAPA DEL SITIO](https:\/\/sitemap.labex.io\/)\\|[POLÍTICA DE PRIVACIDAD](https:\/\/labex.io\/es\/privacy)\\|[TÉRMINOS DE SERVICIO](https:\/\/labex.io\/es\/terms)\n\n© 2017-2025 LabEx Technology Limited All Rights Reserved","attrs_readable_markdown":null,"meta_canonical":null}

3. Robots.txt Check

Query:

Response:

4. Spam/Ban Check

Query:

Response:

5. Seen Status Check

ℹ️ Skipped - page is already crawled

🚫

NOT INDEXABLE

✅

CRAWLED

7 months ago

🤖

ROBOTS ALLOWED

Page Info Filters

Filter	Status	Condition	Details
HTTP status	PASS	`download_http_code = 200`	HTTP 200
Age cutoff	FAIL	`download_stamp > now() - 6 MONTH`	8 months ago
History drop	PASS	`isNull(history_drop_reason)`	No drop reason
Spam/ban	PASS	`fh_dont_index != 1 AND ml_spam_score = 0`	ml_spam_score=0
Canonical	PASS	`meta_canonical IS NULL OR = '' OR = src_unparsed`	Not set

Page Details

Property	Value
URL	https://labex.io/es/tutorials/ml-kernel-density-estimation-49109
Last Crawled	2025-08-15 16:32:12 (7 months ago)
First Indexed	not set
HTTP Status Code	200
Meta Title	Dominando la Estimación de Densidad Kernel para la Generación de Datos \| LabEx
Meta Description	Explora el poder de la Estimación de Densidad Kernel para generar nuevas muestras de datos a partir del conjunto de datos de dígitos usando Python y scikit-learn.
Meta Canonical	null
Boilerpipe Text	Introducción La Estimación de Densidad Kernel (KDE, por sus siglas en inglés) es una técnica de estimación de densidad no paramétrica. En este laboratorio, aprenderemos a usar la KDE para generar nuevas muestras de datos. Usaremos la biblioteca scikit-learn para implementar esta técnica. Consejos sobre la VM Una vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar. A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook. Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.
Markdown	[![LabEx](https://labex.io/_ipx/s_98x30/labex-logo-dark.svg)](https://labex.io/es) - [Aprender](https://labex.io/es/learn "Learn") - [Proyectos](https://labex.io/es/projects "Projects") - [Precios](https://labex.io/es/pricing "Pricing") [Iniciar Sesión](https://labex.io/es/login)[Únete Gratis](https://labex.io/es/register) 1. [Aprender](https://labex.io/es) 2. [Tutoriales](https://labex.io/es/tutorials) 3. [Machine Learning](https://labex.io/es/tutorials/category/ml) # Estimación de Densidad Kernel [![Machine Learning](https://file.labex.io/path/1kXLbMH5geSl.png)Machine Learning](https://labex.io/learn/ml) Beginner ![Estimación de Densidad Kernel](https://icons.labex.io/kernel-density-estimation.png) Estimación de Densidad Kernel [Practicar Ahora](https://labex.io/es/labs/ml-kernel-density-estimation-49109) This tutorial is from open-source community. Access the source code 💡 Este tutorial está traducido por IA desde la versión en inglés. Para ver la versión original, puedes [hacer clic aquí](https://labex.io/tutorials/ml-kernel-density-estimation-49109) Contenido - [Introducción](https://labex.io/es/tutorials/ml-kernel-density-estimation-49109#introducci%C3%B3n) - [Cargar datos](https://labex.io/es/tutorials/ml-kernel-density-estimation-49109#cargar-datos) - [Optimizar el ancho de banda](https://labex.io/es/tutorials/ml-kernel-density-estimation-49109#optimizar-el-ancho-de-banda) - [Generar nuevas muestras](https://labex.io/es/tutorials/ml-kernel-density-estimation-49109#generar-nuevas-muestras) - [Graficar los resultados](https://labex.io/es/tutorials/ml-kernel-density-estimation-49109#graficar-los-resultados) - [Resumen](https://labex.io/es/tutorials/ml-kernel-density-estimation-49109#resumen) [![Default VM Cover](https://labex.io/_ipx/_/images/lab/env-desktop.png)](https://labex.io/es/labs/ml-kernel-density-estimation-49109) [Practicar Ahora](https://labex.io/es/labs/ml-kernel-density-estimation-49109) ## Introducción La Estimación de Densidad Kernel (KDE, por sus siglas en inglés) es una técnica de estimación de densidad no paramétrica. En este laboratorio, aprenderemos a usar la KDE para generar nuevas muestras de datos. Usaremos la biblioteca scikit-learn para implementar esta técnica. ### Consejos sobre la VM Una vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar. A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook. Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted. ## Cargar datos Primero, cargamos el conjunto de datos de dígitos de scikit-learn. Este conjunto de datos contiene imágenes de 8x8 de dígitos del 0 al 9. Usaremos Análisis de Componentes Principales (PCA, por sus siglas en inglés) para reducir la dimensión del conjunto de datos a 15. ``` from sklearn.datasets import load_digits from sklearn.decomposition import PCA ## load the digits dataset digits = load_digits() ## reduce the dimension of the dataset to 15 using PCA pca = PCA(n_components=15, whiten=False) data = pca.fit_transform(digits.data) ``` ## Optimizar el ancho de banda Usamos la validación cruzada con búsqueda en cuadrícula para optimizar el parámetro de ancho de banda de la KDE. El parámetro de ancho de banda controla la suavidad de la estimación de densidad. ``` from sklearn.neighbors import KernelDensity from sklearn.model_selection import GridSearchCV import numpy as np ## use grid search cross-validation to optimize the bandwidth params = {"bandwidth": np.logspace(-1, 1, 20)} grid = GridSearchCV(KernelDensity(), params) grid.fit(data) print("best bandwidth: {0}".format(grid.best_estimator_.bandwidth)) ## use the best estimator to compute the kernel density estimate kde = grid.best_estimator_ ``` ## Generar nuevas muestras Usamos el mejor estimador para tomar 44 nuevos puntos de muestra a partir de los datos. Luego transformamos los nuevos datos de vuelta a sus 64 dimensiones originales usando la inversa de PCA. ``` ## sample 44 new points from the data new_data = kde.sample(44, random_state=0) new_data = pca.inverse_transform(new_data) ``` ## Graficar los resultados Graficamos los dígitos originales y los dígitos resampleados lado a lado en una cuadrícula de 4x11. ``` import matplotlib.pyplot as plt ## turn data into a 4x11 grid new_data = new_data.reshape((4, 11, -1)) real_data = digits.data[:44].reshape((4, 11, -1)) ## plot real digits and resampled digits fig, ax = plt.subplots(9, 11, subplot_kw=dict(xticks=[], yticks=[])) for j in range(11): ax[4, j].set_visible(False) for i in range(4): im = ax[i, j].imshow( real_data[i, j].reshape((8, 8)), cmap=plt.cm.binary, interpolation="nearest" ) im.set_clim(0, 16) im = ax[i + 5, j].imshow( new_data[i, j].reshape((8, 8)), cmap=plt.cm.binary, interpolation="nearest" ) im.set_clim(0, 16) ax[0, 5].set_title("Selection from the input data") ax[5, 5].set_title('"New" digits drawn from the kernel density model') plt.show() ``` ## Resumen En este laboratorio, aprendimos cómo usar la Estimación de Densidad Kernel (KDE, por sus siglas en inglés) para generar nuevas muestras de datos. Usamos la biblioteca scikit-learn para implementar esta técnica. Optimizamos el parámetro de ancho de banda de la KDE usando la validación cruzada con búsqueda en cuadrícula. Luego tomamos muestras de nuevos puntos de datos y los transformamos de vuelta a su dimensión original usando PCA. Finalmente, graficamos los dígitos originales y los dígitos resampleados lado a lado en una cuadrícula de 4x11. compartir temas [Linux](https://labex.io/es/tutorials/category/linux)[DevOps](https://labex.io/es/tutorials/category/devops)[Ciberseguridad](https://labex.io/es/tutorials/category/cybersecurity)[Base de datos](https://labex.io/es/tutorials/category/database)[Python](https://labex.io/es/tutorials/category/python)[Docker](https://labex.io/es/tutorials/category/docker)[Kubernetes](https://labex.io/es/tutorials/category/kubernetes)[Red Hat Enterprise Linux](https://labex.io/es/tutorials/category/rhel)[Git](https://labex.io/es/tutorials/category/git)[CompTIA](https://labex.io/es/tutorials/category/comptia)[Shell](https://labex.io/es/tutorials/category/shell)[Nmap](https://labex.io/es/tutorials/category/nmap)[Wireshark](https://labex.io/es/tutorials/category/wireshark)[Hydra](https://labex.io/es/tutorials/category/hydra)[Java](https://labex.io/es/tutorials/category/java)[SQLite](https://labex.io/es/tutorials/category/sqlite)[PostgreSQL](https://labex.io/es/tutorials/category/postgresql)[MySQL](https://labex.io/es/tutorials/category/mysql)[Redis](https://labex.io/es/tutorials/category/redis)[MongoDB](https://labex.io/es/tutorials/category/mongodb)[Golang](https://labex.io/es/tutorials/category/go)[C++](https://labex.io/es/tutorials/category/cpp)[C](https://labex.io/es/tutorials/category/c)[Ansible](https://labex.io/es/tutorials/category/ansible)[Ciencia de datos](https://labex.io/es/tutorials/category/datascience)[Pandas](https://labex.io/es/tutorials/category/pandas)[NumPy](https://labex.io/es/tutorials/category/numpy)[scikit-learn](https://labex.io/es/tutorials/category/sklearn)[Matplotlib](https://labex.io/es/tutorials/category/matplotlib)[Desarrollo web](https://labex.io/es/tutorials/category/webdev)[Alibaba Cloud](https://labex.io/es/tutorials/category/alibaba)[HTML](https://labex.io/es/tutorials/category/html)[CSS](https://labex.io/es/tutorials/category/css)[JavaScript](https://labex.io/es/tutorials/category/javascript)[React](https://labex.io/es/tutorials/category/react)[Kali Linux](https://labex.io/es/tutorials/category/kali) Reseñas de Usuarios > " Great Implementation! Ease of Usage and Understanding you covered it all! Also great structuring to make learning practical and easy!" — abhishek vishwakarma > " Хорошее начало для понимания Docker и контейнеризации. " — george\_devops [Ver Más Reseñas](https://labex.io/es/pricing#reviews) Relacionado [Machine Learning Cursos](https://labex.io/learn/ml) [![Inicio rápido con Python](https://cover-creator.labex.io/quick-start-with-python.png?lang=es) Inicio rápido con Python LinuxPython Principiante](https://labex.io/es/courses/quick-start-with-python) [![Aprendizaje Supervisado: Regresión](https://cover-creator.labex.io/supervised-learning-regression.png?lang=es) Aprendizaje Supervisado: Regresión scikit-learnMachine Learning Intermedio](https://labex.io/es/courses/supervised-learning-regression) [![Aprendizaje Supervisado: Clasificación](https://cover-creator.labex.io/supervised-learning-classification.png?lang=es) Aprendizaje Supervisado: Clasificación scikit-learnMachine Learning Intermedio](https://labex.io/es/courses/supervised-learning-classification) [![LabEx](https://labex.io/_ipx/s_196x60/labex-logo-light.svg)](https://labex.io/es/tutorials/ml-kernel-density-estimation-49109) 🇪🇸 Español Aprende Linux, DevOps y Ciberseguridad con Laboratorios Prácticos CURSOS PRÁCTICOS [Aprender Linux](https://labex.io/es/learn/linux) [Aprender Python](https://labex.io/es/learn/python) [Aprender Ciberseguridad](https://labex.io/es/learn/cybersecurity) [Aprender Docker](https://labex.io/es/learn/docker) [Aprender CompTIA](https://labex.io/es/learn/comptia) [Aprender Java](https://labex.io/es/learn/java) [Aprender Ciencia de Datos](https://labex.io/es/learn/data-science) [Aprender Git](https://labex.io/es/learn/git) [Aprender Kubernetes](https://labex.io/es/learn/kubernetes) [Aprender Kali Linux](https://labex.io/es/learn/kali) [Aprender Ansible](https://labex.io/es/learn/ansible) [Aprender DevOps](https://labex.io/es/learn/devops) [Aprender Machine Learning](https://labex.io/es/learn/ml) [Examen de Práctica RHCSA](https://labex.io/es/courses/rhcsa-certification-exam-practice-exercises) [CompTIA Linux+](https://labex.io/es/courses/comptia-linux-plus-training-labs) [Ejercicios de Python](https://labex.io/es/exercises/python) [Hoja de Comandos de Linux](https://linux-commands.labex.io/) LABORATORIOS DE PRÁCTICA [Proyectos Linux](https://labex.io/es/projects/category/linux) [Proyectos Python](https://labex.io/es/projects/category/python) [Proyectos Java](https://labex.io/es/projects/category/java) [Proyectos en Lenguaje C](https://labex.io/es/projects/category/c) [Proyectos DevOps](https://labex.io/es/projects/category/devops) [Proyectos Golang](https://labex.io/es/projects/category/go) [Práctica de Git](https://labex.io/es/free-labs/git) [Práctica de Shell](https://labex.io/es/free-labs/shell) [Práctica de Java](https://labex.io/es/free-labs/java) [Práctica de Docker](https://labex.io/es/free-labs/docker) [Práctica de MySQL](https://labex.io/es/free-labs/mysql) [Práctica de MongoDB](https://labex.io/es/free-labs/mongodb) [Práctica de Kubernetes](https://labex.io/es/free-labs/kubernetes) [Práctica de Machine Learning](https://labex.io/es/free-labs/ml) [Práctica de Ciberseguridad](https://labex.io/es/free-labs/cybersecurity) [Práctica de Nmap](https://labex.io/es/free-labs/nmap) [Práctica de Wireshark](https://labex.io/es/free-labs/wireshark) ENTORNOS DE PRÁCTICA [Terminal Linux Online](https://labex.io/es/tutorials/linux-online-linux-playground-372915) [Entorno Docker](https://labex.io/es/tutorials/docker-online-docker-playground-372912) [Entorno Python](https://labex.io/es/tutorials/python-online-python-playground-372886) [Entorno Golang](https://labex.io/es/tutorials/go-online-golang-playground-372913) [Compilador C++ Online](https://labex.io/es/tutorials/cpp-online-c-playground-372911) [Entorno Ansible](https://labex.io/es/tutorials/ansible-online-ansible-playground-415831) [Entorno Jenkins](https://labex.io/es/tutorials/jenkins-online-jenkins-playground-415838) [Entorno Kubernetes](https://labex.io/es/tutorials/kubernetes-online-kubernetes-cluster-593609) [Entorno Java](https://labex.io/es/tutorials/java-online-java-playground-372914) [Entorno Rust](https://labex.io/es/tutorials/rust-online-rust-playground-372918) [Kali Linux Online](https://labex.io/es/tutorials/kali-online-kali-linux-terminal-and-playground-592935) [Nmap Online](https://labex.io/es/tutorials/nmap-online-nmap-playground-593613) [Wireshark Online](https://labex.io/es/tutorials/wireshark-online-wireshark-playground-593624) [MySQL Online](https://labex.io/es/tutorials/mysql-online-mysql-playground-372916) [PostgreSQL Online](https://labex.io/es/tutorials/kali-online-postgresql-database-playground-593616) [Simulador de Examen RHCSA](https://labex.io/es/tutorials/rhel-online-rhel-terminal-rhcsa-and-rhce-exam-playground-592933) [Máquinas Virtuales Online](https://labex.io/es/tutorials/linux-online-virtual-machines-and-playgrounds-593595) TUTORIALES [Tutorial de Linux](https://labex.io/es/tutorials/category/linux) [Tutorial de Docker](https://labex.io/es/tutorials/category/docker) [Tutorial de Kubernetes](https://labex.io/es/tutorials/category/kubernetes) [Tutorial de MongoDB](https://labex.io/es/tutorials/category/mongodb) [Tutorial de PostgreSQL](https://labex.io/es/tutorials/category/postgresql) [Tutorial de Wireshark](https://labex.io/es/tutorials/category/wireshark) [Tutorial de DevOps](https://labex.io/es/tutorials/category/devops) [Tutorial de Ciberseguridad](https://labex.io/es/tutorials/category/cybersecurity) [Preguntas de Entrevista de Java](https://labex.io/es/tutorials/java-java-interview-questions-and-answers-593685) [Preguntas de Entrevista de Python](https://labex.io/es/tutorials/python-python-interview-questions-and-answers-593698) [Preguntas de Entrevista de Kubernetes](https://labex.io/es/tutorials/kubernetes-kubernetes-interview-questions-and-answers-593688) [Preguntas de Entrevista de DevOps](https://labex.io/es/tutorials/linux-devops-interview-questions-and-answers-593679) [Preguntas de Entrevista de Ciberseguridad](https://labex.io/es/tutorials/cybersecurity-cybersecurity-interview-questions-and-answers-593676) [Preguntas de Entrevista de Docker](https://labex.io/es/tutorials/docker-docker-interview-questions-and-answers-593680) [Preguntas de Entrevista de Linux](https://labex.io/es/tutorials/linux-linux-interview-questions-and-answers-593689) [Preguntas de Entrevista de MongoDB](https://labex.io/es/tutorials/mongodb-mongodb-interview-questions-and-answers-593692) [Preguntas de Entrevista de Bases de Datos](https://labex.io/es/tutorials/linux-database-interview-questions-and-answers-593677) [SOPORTE](https://support.labex.io/)\\|[CONTACTO](https://labex.io/cdn-cgi/l/email-protection#7e171018113e121f1c1b06501711)\\|[FORO](https://labex.io/es/forum)\\|[TUTORIALES](https://labex.io/es/tutorials)\\|[LABORATORIOS GRATUITOS](https://labex.io/es/free-labs)\\|[PREGUNTAS DE ENTREVISTA](https://labex.io/es/tutorials/linux-technical-interview-questions-and-answers-593708)\\|[EJERCICIOS](https://labex.io/es/exercises)\\|[LABEX TEAMS](https://labex.io/es/teams)\\|[AFILIADOS](https://labex.io/es/questions/labex-affiliate-program-a6jov663)\\|[MAPA DEL SITIO](https://sitemap.labex.io/)\\|[POLÍTICA DE PRIVACIDAD](https://labex.io/es/privacy)\\|[TÉRMINOS DE SERVICIO](https://labex.io/es/terms) © 2017-2025 LabEx Technology Limited All Rights Reserved
Readable Markdown	null
Shard	28 (laksa)
Root Hash	1963243295958744828
Unparsed URL	io,labex!/es/tutorials/ml-kernel-density-estimation-49109 s443