Lección 5 del curso Bosques Aleatorios.
En la lección anterior vimos cómo implementar con ayuda de Python todos los pasos del algoritmo de entrenamiento de un Bosque Aleatorio.
Pero recordemos que, además del entrenamiento, una segunda fase importante en la construcción de cualquier modelo de Machine Learning es la validación.
En el caso de los Bosques Aleatorios la validación hace uso de las muestras «out-of-bag», que son las muestras que no fueron usadas por cada árbol al momento del entrenamiento.
Así que en esta lección veremos en detalle qué son las muestras «out-of-bag» y cómo utilizar estas muestras para realizar la validación de un Bosque Aleatorio entrenado:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver las muestras «out-of-bag» son un set de validación natural en un Bosque Aleatorio, que evitan la necesidad de usar un set de validación por separado al momento de evaluar el desempeño de estos modelos.
Así que en este punto, teniendo claros todos los elementos conceptuales que hacen parte de los Bosques Aleatorios, ya podemos ver de forma práctica su funcionamiento.
Así que en la próxima lección comenzaremos viendo un ejemplo práctico de clasificación con Bosques Aleatorios con ayuda de Python y la librería Scikit-Learn.
Todas las lecciones del curso Bosques Aleatorios