3. Experimentando con herramientas sin codigo_Optimizacion de modelos_v2.pdf

modelo: Pruebas de sensibilidad Escenarios simulados

Implementación de pruebas para asegurar la robustez del

3. Pruebas de Robustez

Técnicas como Lasso (L1) y Ridge (L2): Limitan la magnitud de los coeficientes del modelo para evitar el sobreajuste.

2. Regularización

conjunto más manejable.

Extracción de Características: Transforma los datos en un

Selección de Características: Identifica las características más relevantes para mejorar el modelo.

1. Selección y Extracción de Características

Selección aleatoria de combinaciones dentro de un rango definido.

Búsqueda Aleatoria:

Prueba exhaustiva de combinaciones predefinidas de parámetros.

Búsqueda en Rejilla:

3. Ajuste de hiperparámetros

Ayuda a identificar el sobreajuste y estimar elrendimiento con datos nuevos.

el modelo.

Divide los datos en subconjuntos para entrenar y validar

2. Validación Cruzada

El modelo no captura lacomplejidad de los datos.

Subajuste:

El modelo memoriza los datos deentrenamiento, incluyendo el ruido.

Sobreajuste:

1. Comprensión de Sobreajuste y Subajuste

Explora las técnicas y estrategias empleadas para optimizar modelos, mejorar el rendimiento y asegurar la aplicabilidad práctica.

Estrategias de ajuste y optimización

PRINCIPIOS DE OPTIMIZACIÓN DE MODELOS

MÓDULO | EXPERIMENTANDO CON HERRAMIENTAS SIN CÓDIGO