Please enable JavaScript.

Coggle requires JavaScript to display documents.

Machine learning, Ana Quetzali Cantú Hernández, A00818173 - Coggle Diagram

- - - - Mucho sesgo causa...
        
        Overfitting
        
        Soluciones:
        
        Regularización
        
        Sirve para cuando tenemos muchas características y todas contribuyen un poco a la predicción, por lo que no se quieren eliminar
        
        Se conservan las características del modelo pero se reduce la magnitud/valores de los parámetros (Ej: se hace cuadrática una función polinomial)
        
        Descenso del gradiente
        
        La función de coste es lo que nos dice cuál es el error para cada combinación de parámetros
        
        Se evalúa la pendiente de la función múltiples veces hasta que la pendiente sea nula para encontrar un mínimo local de la función. Hay que cuidar el ratio de aprendizaje, que nos indica cuánto avanzamos en cada paso, ya que si es muy alto se puede ciclar.
        
        Se trata de buscar el punto en el que la suma de residuales al cuadrado sea lo mínimo
        
        Cross validation
        
        Se usa para ver qué tanto puede predecir el modelo dándole datos que no conoce
        
        Se revuelve el set de datos al azar
        
        Se separa el set de datos en k grupos
        
        Para cada grupo se toma un grupo para probar el modelo y el resto de grupos para entrenar el modelo
        
        Hay que dividir el 80% de los datos para entrenar el modelo y 20% de los datos para probar el modelo, cuidando que los datos hayan sido divididos al azar
        
        El modelo busca complacer a todos los datos con los que se entrenó
        
        Se entrena mucho el modelo, ya no puede generalizar