Fundamentos de machine learning · Evaluación de modelos

Manejo del desequilibrio de clases

Técnicas para cuando una clase supera ampliamente en número a otra, ya que la exactitud sola se vuelve poco significativa (predecir siempre la clase mayoritaria "gana").

Empezar una lección sobre Manejo del desequilibrio de clases

Aprende antes

• Métricas de evaluación de clasificación: La exactitud sola puede engañar; precisión, exhaustividad, F1 y ROC-AUC capturan cada una una forma distinta en que un clasificador puede acertar o errar.

Temas relacionados

• Métodos de ensamble: Combinar muchos modelos débiles (normalmente árboles) en uno más fuerte, ya sea promediando (bagging) o corrigiendo sus errores sucesivamente (boosting).