Troubleshooting: carga y prueba del modelo

Clase 4 de 8 • Laboratorio de Machine Learning: Optimización de Modelos

Alejandro Giraldo Londoño

student•

Resumen: ■■■■■■■

El propósito de esta sesión es explorar como mejorar el proyecto en términos de:

Ambiente y estructuras de archivo 📒
Serialización de objetos con pickle.
Técnicamente: Estamos usando regresión logística, ¿cómo podemos mejorar el proceso de forma que mejore las métricas que obtenemos?.

Ricardo Alanis

teacher•

Genial, excelente resumen de referencia para que no se le olvide a nadie por donde buscar!

Julián Cárdenas

student•

Me gusta como al final todos los cursos se conectan con todos

Ricardo Alanis

teacher•

Totalmente! vamos a seguir creciendo!

Alexander Robles

student•

Hola, haciendo el ejercicio realicé algunos cambios al modelo usado y propuse uno nuevo. Alguien puede corroborar mis cambios? lo agradezco. @ricardo google colab

Ricardo Alanis

teacher•

Excelente, yo le di una pasada! Genial esfuerzo! y se ve que parece que tuvo impacto en las métricas. ¿Qué tal sonaría hacerle hyperparameter tuning a tu modelo?

Fernando Chavez Caracas

student•

Las mejores métricas que he obtenido con Regresión Logística para este caso son:

Accuracy: 0.8125 Precision: 0.5849056603773585 Recall: 0.15776081424936386 ROC AUC: 0.5651903013375008

Apliqué una regularización al modelo con los siguientes parámetros:

penalty='l1' solver='liblinear' C=0.1

¿Algún consejo?, ¿hay alguna variable que no sea relevante para el modelo? (no logro identificarla en el EDA).

Ricardo Alanis

teacher•

Gracias por compartir! ¿Qué tal si pruebas con Random Forest para que veas las importancias de variable?

Fernando Chavez Caracas

student•

Gracias Ricardo.

Ayer probé con Decision Tree y no mejoró jaja. Hoy intentaré, como comentas, con Random Forest.

Troubleshooting: carga y prueba del modelo

Bienvenida al laboratorio

Instrucciones generales

Laboratorios de ML: practica tus habilidades en proyectos profesionales

Exploración de modelo de machine learning desde API

Problemas a resolver: documentación, carga y prueba de modelo

Troubleshooting: carga y prueba del modelo

Mejora de performance de modelo de machine learning

Problemas a resolver: performance de modelo

Troubleshooting: performance de modelo

Revisión de resultados

Cierre del laboratorio

¿Cómo continuar tu proyecto de machine learning?