Optimización de Hyperparametros con Optuna | Python | Scikit-Learn

[@nataliavargas2075]

Gracias, buen vídeo

[@lucasgonzalezsonnenberg3204]

me sirvio! Gracias, abrazo.

[@alejandromonroyazpeitia3772]

Gracias por el video, excelente explicación!

[@ivanspiderman15]

Bro, estuviera buenisimo si le pudieras añadir la habilidad de terminar trials que no prometen. Ahorita ando tratando de incorporarlo a mi codigo sin exito. El poder hacer esto permite subir dramaticamente el numero de trials y asi poder obtener un mejor resultado. Saludos.

[@pacomermela6497]

No olviden que en un Random Forest puro los árboles crecen hasta su máxima extensión sin podarse. El overfitting se evita con el bagging y un número suficiente de árboles de decisión...

[@ferneutron]

Que tal! Además de bagging, existen hiperparametros ajustables que evitan el overfitting. Saludos y gracias por tu comentario 🤜🤛!

[@juanete69]

¿Por qué usas __name__ == __main__? Eso sirve para que sólo se ejecute si lo llamas desde el interprete, pero no sé qué necesidad hay aquí de especificarlo. ¿Y por qué utilizas una clase y no simplemente una función? Con la clase es más lioso y necesitamos usar self.

[@ferneutron]

No tiene sentido lo que comentas.

[@bitshifter4615]

@@ferneutron Como que podrías explicarte.

[@veracru7471]

Que desmadre de ruido a la entrada hace tu video carnal, te manchas

[@ferneutron]

👂🏻