Laboratorio de Machine Learning: Optimización de Modelos
Laboratorio de Machine Learning: Optimización de Modelos

Bienvenida al laboratorio

1

Instrucciones generales

2

Laboratorios de ML: practica tus habilidades en proyectos profesionales

Exploración de modelo de machine learning desde API

3

Problemas a resolver: documentación, carga y prueba de modelo

4

Troubleshooting: carga y prueba del modelo

Mejora de performance de modelo de machine learning

5

Problemas a resolver: performance de modelo

6

Troubleshooting: performance de modelo

7

Revisión de resultados

Cierre del laboratorio

8

¿Cómo continuar tu proyecto de machine learning?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Si ya tienes una cuenta,

No se trata de lo que quieres comprar, sino de quién quieres ser. Invierte en tu educación con el precio especial

Antes: $249

Currency
$209

Paga en 4 cuotas sin intereses

Paga en 4 cuotas sin intereses
Suscríbete

Termina en:

10 Días
21 Hrs
21 Min
4 Seg
Laboratorio de Machine Learning: Optimización de Modelos

Laboratorio de Machine Learning: Optimización de Modelos

Ricardo Alanis

Ricardo Alanis

Troubleshooting: performance de modelo

6/8
Recursos

Aportes 1

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Untipodeplatzi

Untipodeplatzi

hace 2 meses
En mi caso el mejor modelo que encontré fue usar Support Vector Machine con estos hiperparámetros: ```python svm =SVC(random_state=42, C= 1000.0, gamma=0.8, kernel='rbf', tol=0.01).fit(X_train, y_train) ``` Obteniendo unos valores de Accuracy por encima del 80% y corrigiendo el sesgo que habia antes hacia una clase: Accuracy model: 0.853 Exited Churn='NO': 0.810 Exited Churn='YES': 0.898 F1 Score: 0.858