CAPÍTULO 17 / 40
ML clásico y evaluación
7 lecciones · Explora, experimenta y comprende.
Aprendamos juntos.
Pregúntame sobre este curso o por dónde empezar.
- Paso 76~5m3D · 1Código · 11★Más cinematográfica
Árboles de decisión e información ganada
Un árbol de decisión parte el espacio en rectángulos por divisiones alineadas a ejes. Cada hoja predice clase mayoritaria o media. Las regla…
Abrir lección - Paso 77~5m3D · 1Código · 11★Más cinematográfica
Random Forests
Un random forest es un ensamble de árboles que votan. Dos fuentes de diversidad: bagging (bootstrap por árbol) y aleatoriedad de característ…
Abrir lección - Paso 78~5m3D · 1Código · 11★Más cinematográfica
Gradient Boosting
Gradient boosting construye donde cada es un árbol pequeño ajustado al gradiente negativo de la pérdida.
Abrir lección - Paso 79~5m3D · 1Código · 11★Más cinematográfica
Clustering: K-Means, jerárquico, DBSCAN
Clustering = agrupar sin etiquetas. K-Means alterna: (1) asignar puntos a centroide más cercano, (2) actualizar centroides. Minimiza la suma…
Abrir lección - Paso 80~5m3D · 1Código · 11★Más cinematográfica
t-SNE y UMAP: reducción no lineal
Métodos lineales como PCA preservan estructura global pero aplanan variedades no lineales. t-SNE y UMAP preservan vecindarios locales y prod…
Abrir lección - Paso 81~5mCódigo · 11🎯Victoria rápida
Métricas de clasificación: ROC, AUC, F1, calibración
La exactitud es mala por defecto en desbalance. Mejor: precisión , recall , F1 .
Abrir lección - Paso 82~5mCódigo · 11🎯Victoria rápida
Bootstrap e intervalos de confianza
Una métrica como 'exactitud = 0.87' es un número de una distribución — re-muestrear el test daría otro. Reportar sin incertidumbre es engaño…
Abrir lección