Validación cruzada y k-fold cross-validation

[@codificandobits]

🔥🔥Academia Online: codificandobits.com/ 🔥🔥 🔥🔥Asesorías y formación personalizada: codificandobits.com/servicios/ 🔥🔥

[@jpierre8703]

Acabo de llegar a este canal, agradecido por el contenido compartido, excelente explicación!

[@santicoronel5007]

Excelente explicacion !

[@cimarron331]

Excelente video.

[@javiersuarez8415]

Muy buena explicación, gracias por compartir.

[@josefsalas01]

excelente como siempre, da gusto escuchar sus explicaciones.

[@RainSoundsToConcentrate]

crack 😎

[@isaiasurazan]

Muy buen vídeo y explicación! Solo una duda: Si se entrena y testea 3 veces eso da como resultado tres conjuntos diferentes de parámetros, ¿Cómo determino los parámetros del modelo final? Gracias de antemano!!

[@D3ser4]

te hace un promedio de esos

[@danielfernandobarreraarmen9392]

Excelente información. Muchas gracias por tu contenido. Es muy útil y claro

[@Hugo-xh3bi]

Muchas gracias por el video, pero tengo un pregunta, en este caso, no existe un conjunto test de datos nuevos para probar los modelos?, pues vi que al final se saca el promedio de los resultados obtenidos en cada fold

[@macs1701]

En el valor de k entra en juego el compromiso sesgo varianza

[@manuelmerinoscience]

Excelente video amigo! Tengo una consulta. Una vez que hiciste el k-folds y encuentras una exactitud adecuada tanto para el entrenamiento y validación lo que podría garantizar un buen poder de generalización y capacidad predictiva, hay alguna manera de ir buscando los mejores valores de los hiperparámetros haciendo uso de k fold cross validation?

[@jorgesk8iqq]

Muchas gracias, para el caso de ejemplo que diste, se debería utilizar el modelo que tiene mejor rendimiento de los 3 entrenados?

[@codificandobits]

Hola! En el ejemplo que menciono en el video no hablamos de ningún modelo en particular pero sí, en general si tienes por ejemplo 4 modelos y quieres elegir el mejor de ellos, deberías: 1. Entrenar y validar cada uno usando, por ejemplo, k-fold cross-validation 2. Para cada modelo entrenado y validado guardar el valor de su desempeño promedio (entrenamiento y validación) 3. Al final de todo el proceso deberías comparar los 4 desempeños obtenidos y escoger el mejor

[@juancecconi3195]

​@@codificandobitspero de cada modelo tengo 3 sets de parámetros luego del entrenamiento, cual de estos debería ser el que finalmente uso? Porque cada entrenamiento con uno de los k bloques va a dar como resultado distintos parámetros para el modelo. Eso no me quedo claro

[@michaelesquivel9417]

@@juancecconi3195 Lo que he averiguado es que ese promedio sirve para ajustar los hiperparametros o tambien para comparar cual tipo de modelo sera el mejor. Otra opción puede ser coger el set de datos que arrojo el mejor desempeño

[@alexisucedajara7377]

los cursos online que mencionan sirven para alguien desde 0?, yo sí se programar, soy desarrollador web, pero me interesa mucho el campo de machine learning

[@codificandobits]

Hola! Claro que sí. Están pensados tanto para los que comienzan de 0 como para los que tienen ya un nivel intermedio o avanzado. Es decir: en tu caso encontrarás curso de programación y conceptos básicos que poco a poco te permitirán profundizar en el machine learning y la inteligencia artificial. Un saludo!

[@alexisucedajara7377]

otorga algún certificado?@@codificandobits