No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Evaluando tu modelo

18/28
Recursos

El 80% de tus datos lo utilizarás para entrenamiento y el 20% restantes lo utilizarás para validación y pruebas. Es importante que entiendas que solo utilizarás el 10% para realizar pruebas por eso tu set de datos debe ser lo más grande posible para obtener mejores resultados.

Puntuación Límite indica el nivel de confianza que debe tener el modelo para asignar una categoría. Una puntuación baja clasificará más imágenes, pero corre el riesgo de clasificar incorrectamente.

Tienes 4 posibles resultados:

  • Verdadero positivo
  • Verdadero Negativo
  • Falso Positivo
  • Falso Negativo

Aportes 8

Preguntas 0

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.

80% Entrenamiento.
10% Validación.
10% Prueba.

  • Puntuación límite: indica el nivel de confianza que debe tener el modelo para asignar una categoría.

¿Que involucra tener una puntuación limita baja? Clasificará más imágenes, pero corre el riesgo de clasificarlas incorrectamente.
Posibles resultados:
Verdadero positivo.
Falso positivo.
Verdadero negativo.
Falso negativo.

  • Precisión: es el número de ejemplos de prueba que recibió una etiqueta y si debería de haberlos recibido.

  • Retiros: de todos los ejemplos a los que se le debería de asignar una etiqueta, cuántos en realidad la recibieron.

¿Cuando optimizar para precisión?
Una galería que permite a los usuarios encontrar las imágenes más relevantes a partir de una búsqueda. Un falso positivo regresaría una imagen irrelevante.

¿Cuando optimizar para retiros?
Un sistema que esconde información sensible de tarjetas de crédito. Un falso positivo es algo que no necesita ser escondido, pero no impacta el objetivo del sistema. Es mejor esconder de más.





Gracias por la información.

Debo admitir que las primeras no me gustaron para nada, ya que se muy poco de frontend (tarea pendiente). Pero ahora que vamos viendo las herramientas de Google me parece bastante interesante este curso.

Dato clave 1: cuando implementamos la matriz de confusión debemos asegurarnos siempre que la diagonal principal tenga valores altos (ej: x > 60 %)

Hay alguna versión para hacerlo más despacio? es que resulta en páginas que no se sabe de dónde las sacó.

MATRIZ DE CONFUSIÓN