Contenido del curso
Exploración de modelo de machine learning desde API
Mejora de performance de modelo de machine learning
Cierre del laboratorio
Troubleshooting: carga y prueba del modelo
Alejandro Giraldo Londoño
student
Ricardo Alanis
teacherContenido del curso
Troubleshooting: carga y prueba del modelo
Alejandro Giraldo Londoño
studentRicardo Alanis
teacher
Julián Cárdenas
studentRicardo Alanis
teacher
Alexander Robles
studentRicardo Alanis
teacher
Fernando Chavez Caracas
studentRicardo Alanis
teacherFernando Chavez Caracas
studentResumen: ■■■■■■■
El propósito de esta sesión es explorar como mejorar el proyecto en términos de:
Genial, excelente resumen de referencia para que no se le olvide a nadie por donde buscar!
Me gusta como al final todos los cursos se conectan con todos
Totalmente! vamos a seguir creciendo!
Hola, haciendo el ejercicio realicé algunos cambios al modelo usado y propuse uno nuevo. Alguien puede corroborar mis cambios? lo agradezco. @ricardo google colab
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?
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).
Gracias por compartir! ¿Qué tal si pruebas con Random Forest para que veas las importancias de variable?
Gracias Ricardo.
Ayer probé con Decision Tree y no mejoró jaja. Hoy intentaré, como comentas, con Random Forest.