Selección y personalización de arquitecturas e hiperparámetros mediante bosques aleatorio
A menudo, los modelos más complejos se pueden personalizar manualmente para mejorar su eficacia. Mediante ejercicios y contenido explicativo, exploramos cómo la modificación de la arquitectura de modelos más complejos puede lograr resultados más eficaces.
Objetivos de aprendizaje
En este módulo, aprenderá a:
- Detectar nuevos tipos de modelos: árboles de decisión y bosques aleatorios.
- Cómo la arquitectura del modelo puede afectar al rendimiento.
- Practicar el trabajo con hiperparámetros para mejorar la eficacia del entrenamiento.
Requisitos previos
Familiarizarse con los modelos de aprendizaje automático