Fundamentos de machine learning · Evaluación de modelos

Ajuste de hiperparámetros

Buscar sistemáticamente los ajustes (tasa de aprendizaje, fuerza de regularización, profundidad del árbol) que no se aprenden de los datos sino que se eligen antes del entrenamiento.

Empezar una lección sobre Ajuste de hiperparámetros

Aprende antes

• Validación cruzada: Dividir los datos de varias formas distintas y promediar el rendimiento, para que una división afortunada o desafortunada no te engañe.
• Regularización (L1/L2): Penalizar los pesos grandes del modelo durante el entrenamiento para que no pueda sobreajustar memorizando el ruido.

Temas relacionados

• Retropropagación: El algoritmo que calcula cuánto contribuyó cada peso de una red neuronal al error, para que el descenso de gradiente sepa en qué dirección ajustarlo.