Machine Learning: Optimización de modelos a través de hiperparámetros

Contenido Detallado

1. 1. Hiper parámetros, optimización y overfit

   • Introducción
   • Entendiendo los parámetros
   • ¿Cuanto más complejo el árbol, mejor?
   • Optimización de un hiper parámetro y el problema de overfit
   • Revisión de la exploración de un espacio de parámetros

2. 2. Explorando 2 dimensiones de hiper parámetros

   • Espacio de parámetros de dos dimensiones
   • Explorando hiper parámetros de más dimensiones
   • Matriz de correlación y explorando más espacios de parámetros

3. 3. Trabajando con 3 ó más dimensiones

   • Explorando 3 ó más hiper parámetros

4. 4. Búsqueda de hiper parámetros con GridSearchCV

   • Utilizando GridSearchCV

5. 5. Nested Cross Validation y validando el modelo elegido

   • Nested Cross Validation y validando el mejor modelo
   • Conclusión