Lección 8 del curso Introducción al Machine Learning.
En la lección anterior vimos un ejemplo práctico que nos permitió entender qué era el entrenamiento en el contexto del Machine Learning.
Pero en ocasiones con tan sólo un modelo no podemos tener certeza de si éste genera el desempeño más adecuado para generar predicciones. Nada nos dice que no podamos usar otros modelos que probablemente generarían un mejor desempeño.
Así que, en general, para resolver un problema podremos tener muchos modelos y para poder decidir cuál es el mejor necesitamos compararlos bajo las mismas condiciones. Es acá donde entran en juego los sets de validación y prueba de los que hablaremos a continuación:
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.
Acabamos de ver que ara entrenar y seleccionar el mejor modelo de Machine Learning, se utilizan tres conjuntos de datos: entrenamiento, validación y prueba. El conjunto de entrenamiento se usa para aprender los parámetros del modelo, el de validación para ajustar los hiperparámetros y elegir el mejor modelo, y el de prueba para medir la capacidad de generalización del modelo seleccionado.
Y con lo visto en esta lección, hasta este punto del curso ya hemos explorado varios conceptos fundamentales del Machine Learning y que encontraremos una y otra vez a medida que abordemos los diferentes algoritmos y modelos en próximos cursos.
Así que para cerrar este segundo módulo del curso en la próxima lección veremos el ciclo de vida de un proyecto de Machine Learning.
Todas las lecciones del curso Introducción al Machine Learning