Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Desafío 5: Ajuste de Hiperparámetros | Scikit-learn
Desafío de Entrevista en Ciencia de Datos
course content

Contenido del Curso

Desafío de Entrevista en Ciencia de Datos

Desafío de Entrevista en Ciencia de Datos

1. Python
2. NumPy
3. Pandas
4. Matplotlib
5. Seaborn
6. Estadísticas
7. Scikit-learn

bookDesafío 5: Ajuste de Hiperparámetros

El ajuste de hiperparámetros consiste en ajustar los parámetros de un algoritmo para optimizar su rendimiento. A diferencia de los parámetros del modelo, que el algoritmo aprende por sí mismo durante el entrenamiento, los hiperparámetros son configuraciones externas preestablecidas antes de que comience el proceso de aprendizaje. El objetivo principal del ajuste de hiperparámetros es encontrar la combinación óptima de hiperparámetros que minimice una función de pérdida predefinida o maximice la precisión, garantizando que el modelo no se ajuste ni por debajo ni por encima de los datos.

Tarea
test

Swipe to show code editor

Realice el ajuste de hiperparámetros en un clasificador RandomForest para predecir los tipos de vino en función de sus propiedades químicas utilizando GridSearchCV y RandomizedSearchCV.

  1. Defina una cuadrícula de parámetros para buscar. El número de árboles debe iterar sobre la lista [10, 20, 30], y la profundidad máxima de los mismos debe iterar sobre [5, 10, 20].
  2. Utilice GridSearchCV para encontrar los mejores hiperparámetros para el clasificador RandomForest con 3 pliegues de datos.
  3. Haga lo mismo con RandomizedSearchCV para 5 conjuntos aleatorios de parámetros.
  4. Compare los resultados de ambos métodos de búsqueda.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 7. Capítulo 5
toggle bottom row

bookDesafío 5: Ajuste de Hiperparámetros

El ajuste de hiperparámetros consiste en ajustar los parámetros de un algoritmo para optimizar su rendimiento. A diferencia de los parámetros del modelo, que el algoritmo aprende por sí mismo durante el entrenamiento, los hiperparámetros son configuraciones externas preestablecidas antes de que comience el proceso de aprendizaje. El objetivo principal del ajuste de hiperparámetros es encontrar la combinación óptima de hiperparámetros que minimice una función de pérdida predefinida o maximice la precisión, garantizando que el modelo no se ajuste ni por debajo ni por encima de los datos.

Tarea
test

Swipe to show code editor

Realice el ajuste de hiperparámetros en un clasificador RandomForest para predecir los tipos de vino en función de sus propiedades químicas utilizando GridSearchCV y RandomizedSearchCV.

  1. Defina una cuadrícula de parámetros para buscar. El número de árboles debe iterar sobre la lista [10, 20, 30], y la profundidad máxima de los mismos debe iterar sobre [5, 10, 20].
  2. Utilice GridSearchCV para encontrar los mejores hiperparámetros para el clasificador RandomForest con 3 pliegues de datos.
  3. Haga lo mismo con RandomizedSearchCV para 5 conjuntos aleatorios de parámetros.
  4. Compare los resultados de ambos métodos de búsqueda.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 7. Capítulo 5
toggle bottom row

bookDesafío 5: Ajuste de Hiperparámetros

El ajuste de hiperparámetros consiste en ajustar los parámetros de un algoritmo para optimizar su rendimiento. A diferencia de los parámetros del modelo, que el algoritmo aprende por sí mismo durante el entrenamiento, los hiperparámetros son configuraciones externas preestablecidas antes de que comience el proceso de aprendizaje. El objetivo principal del ajuste de hiperparámetros es encontrar la combinación óptima de hiperparámetros que minimice una función de pérdida predefinida o maximice la precisión, garantizando que el modelo no se ajuste ni por debajo ni por encima de los datos.

Tarea
test

Swipe to show code editor

Realice el ajuste de hiperparámetros en un clasificador RandomForest para predecir los tipos de vino en función de sus propiedades químicas utilizando GridSearchCV y RandomizedSearchCV.

  1. Defina una cuadrícula de parámetros para buscar. El número de árboles debe iterar sobre la lista [10, 20, 30], y la profundidad máxima de los mismos debe iterar sobre [5, 10, 20].
  2. Utilice GridSearchCV para encontrar los mejores hiperparámetros para el clasificador RandomForest con 3 pliegues de datos.
  3. Haga lo mismo con RandomizedSearchCV para 5 conjuntos aleatorios de parámetros.
  4. Compare los resultados de ambos métodos de búsqueda.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

El ajuste de hiperparámetros consiste en ajustar los parámetros de un algoritmo para optimizar su rendimiento. A diferencia de los parámetros del modelo, que el algoritmo aprende por sí mismo durante el entrenamiento, los hiperparámetros son configuraciones externas preestablecidas antes de que comience el proceso de aprendizaje. El objetivo principal del ajuste de hiperparámetros es encontrar la combinación óptima de hiperparámetros que minimice una función de pérdida predefinida o maximice la precisión, garantizando que el modelo no se ajuste ni por debajo ni por encima de los datos.

Tarea
test

Swipe to show code editor

Realice el ajuste de hiperparámetros en un clasificador RandomForest para predecir los tipos de vino en función de sus propiedades químicas utilizando GridSearchCV y RandomizedSearchCV.

  1. Defina una cuadrícula de parámetros para buscar. El número de árboles debe iterar sobre la lista [10, 20, 30], y la profundidad máxima de los mismos debe iterar sobre [5, 10, 20].
  2. Utilice GridSearchCV para encontrar los mejores hiperparámetros para el clasificador RandomForest con 3 pliegues de datos.
  3. Haga lo mismo con RandomizedSearchCV para 5 conjuntos aleatorios de parámetros.
  4. Compare los resultados de ambos métodos de búsqueda.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
Sección 7. Capítulo 5
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
We're sorry to hear that something went wrong. What happened?
some-alt