Capítulo 5. Entrenar y evaluar tu modelo
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
En los capítulos anteriores hemos cubierto cómo identificar el problema adecuado que abordar, elaborar un plan para abordarlo, construir una canalización sencilla, explorar un conjunto de datos y generar un conjunto inicial de características. Estos pasos nos han permitido reunir suficiente información para empezar a entrenar un modelo adecuado. Un modelo adecuado significa aquí un modelo que se ajusta bien a la tarea que tenemos entre manos y que tiene buenas posibilidades de obtener buenos resultados.
En este capítulo, empezaremos repasando brevemente algunas preocupaciones a la hora de elegir un modelo. Después, describiremos las buenas prácticas para separar tus datos, lo que ayudará a evaluar tus modelos en condiciones realistas. Por último, veremos métodos para analizar los resultados del modelado y diagnosticar errores.
El modelo apropiado más sencillo
Ahora que estamos preparados para entrenar un modelo, tenemos que decidir con qué modelo empezar. Puede ser tentador probar todos los modelos posibles, compararlos todos y elegir el que obtenga los mejores resultados en un conjunto de pruebas retenido según algunas métricas.
En general, éste no es el mejor enfoque. No sólo es computacionalmente intensivo (hay muchos conjuntos de modelos y muchos parámetros para cada modelo, por lo que, siendo realistas, sólo podrás ...
Get Creación de aplicaciones basadas en el aprendizaje automático now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
