Otro

TEMA 5. Clasificación y métricas de evaluación

0 veces vendidas

Grado
Técnicas de Aprendizaje Automático

Institución
UNIR Business School

[Mostrar más]

Vista previa 2 fuera de 5 páginas

Ver ejemplo

Subido en 25 de mayo de 2024
Número de páginas 5
Escrito en 2023/2024
Tipo Otro
Personaje Desconocido

clasificación y métricas de evaluación

7,03 €

También disponible en un lote de 22,07 €

Añadir al carrito

Añadir a la lista de deseos

100% de satisfacción garantizada
Inmediatamente disponible después del pago
Tanto en línea como en PDF
No estas atado a nada

Documento también disponible en un lote (1)

Técnicas de Aprendizaje Automático

€ 77,28 € 22,07 11 artículos

1. Otro - Tema 11. parametrización automática y optimización de algoritmos
2. Otro - Tema 10. aprendizaje supervisado. regresión y clasificación con random forests
3. Otro - Tema 9. combinación de clasificadores. bootstrapping, bagging y boosting
4. Otro - Tema 8. aprendizaje supervisado. clasificación con naïve bayes
5. Otro - Tema 7. aprendizaje supervisado. clasificación con máquinas vector de soporte
6. Otro - Tema 6. aprendizaje supervisado. regresión y clasificación con árboles de decisió...
7. Otro - Tema 5. clasificación y métricas de evaluación
8. Otro - Tema 4. regresión lineal y métricas de evaluación
9. Otro - Tema 3. datos ausentes y normalización
10. Otro - Tema 2. análisis de datos descriptivo y exploratorio
11. Otro - Tema 1. introducción al aprendizaje automático
Mostrar más

UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Técnicas de Aprendizaje Automático
Contenido: BLOQUE 2. Evaluación de modelos de aprendizaje automático supervisado
Guía de Estudio: TEMA 5. Clasificación y métricas de evaluación

Introducción
La evaluación de modelos de aprendizaje automático supervisado es un componente crucial del
desarrollo de sistemas de inteligencia artificial. El Bloque 2, Tema 5, se centra específicamente en
la clasificación y las métricas de evaluación, proporcionando un marco para medir la eficacia y
eficiencia de los modelos. Este documento ofrece una guía detallada y técnica sobre estos
aspectos, abordando sus definiciones, características, ventajas y desventajas, así como
recomendaciones para su implementación.

Clasificación
Definición
La clasificación es una técnica de aprendizaje supervisado que asigna una etiqueta a una
instancia basada en sus características. El objetivo es construir un modelo que pueda predecir la
clase de nuevas instancias con alta precisión.
Características
 Algoritmos comunes: Incluyen árboles de decisión, máquinas de vectores de soporte
(SVM), redes neuronales, y k-vecinos más cercanos (k-NN).
 Entrenamiento y prueba: Los datos se dividen típicamente en conjuntos de
entrenamiento y prueba para validar la capacidad del modelo.
 Dimensionalidad: La clasificación puede manejar datos de alta dimensionalidad, pero
puede requerir técnicas de reducción de dimensionalidad para mejorar el rendimiento.
Ventajas y Desventajas
 Ventajas:
o Capaz de manejar grandes conjuntos de datos.
o Aplicable a una amplia gama de problemas.
o Modelos como los árboles de decisión son interpretables.
 Desventajas:
o Algunos modelos, como las redes neuronales, pueden ser difíciles de interpretar.
o Puede requerir una gran cantidad de datos etiquetados para entrenar modelos
precisos.
o El sobreajuste es un riesgo si el modelo es demasiado complejo.

, Métricas de Evaluación
Definición
Las métricas de evaluación son criterios cuantitativos utilizados para medir el rendimiento de un
modelo de clasificación. Estas métricas permiten comparar diferentes modelos y seleccionar el
más adecuado para una tarea específica.
Características
 Precisión y Exactitud: Mide la proporción de predicciones correctas sobre el total de
predicciones.
 Recall (Sensibilidad): Evalúa la capacidad del modelo para identificar correctamente las
instancias positivas.
 F1-Score: Es la media armónica de la precisión y el recall, proporcionando un equilibrio
entre ambas métricas.
 Matriz de Confusión: Proporciona una visión detallada de las predicciones correctas e
incorrectas, clasificadas por clase.
 ROC-AUC: La curva ROC y el área bajo la curva ROC (AUC) miden la capacidad del
modelo para distinguir entre clases.

Ventajas y Desventajas
 Ventajas:
o Permiten una evaluación detallada y multifacética del rendimiento del modelo.
o Facilitan la comparación entre diferentes modelos y configuraciones.
o Algunas métricas, como el F1-Score, son robustas frente a desequilibrios en las
clases.
 Desventajas:
o La interpretación de algunas métricas puede ser compleja.
o La elección de la métrica adecuada depende del contexto y del problema específico.
o Métricas como la precisión pueden ser engañosas en conjuntos de datos
desbalanceados.

Recomendaciones
1. Selección de Métricas: Elegir las métricas de evaluación más apropiadas según el
contexto del problema y las características del conjunto de datos.
2. Validación Cruzada: Utilizar técnicas de validación cruzada para una evaluación más
robusta del modelo.
3. Balance de Clases: Considerar técnicas para manejar conjuntos de datos
desbalanceados, como el sobremuestreo o submuestreo.
4. Interpretabilidad: Preferir modelos interpretables en aplicaciones donde la explicabilidad
es crítica.

Los beneficios de comprar resúmenes en Stuvia estan en línea:

Garantiza la calidad de los comentarios

Compradores de Stuvia evaluaron más de 700.000 resúmenes. Así estas seguro que compras los mejores documentos!

Compra fácil y rápido

Puedes pagar rápidamente y en una vez con iDeal, tarjeta de crédito o con tu crédito de Stuvia. Sin tener que hacerte miembro.

Enfócate en lo más importante

Tus compañeros escriben los resúmenes. Por eso tienes la seguridad que tienes un resumen actual y confiable. Así llegas a la conclusión rapidamente!

Preguntas frecuentes

What do I get when I buy this document?

You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.

100% de satisfacción garantizada: ¿Cómo funciona?

Nuestra garantía de satisfacción le asegura que siempre encontrará un documento de estudio a tu medida. Tu rellenas un formulario y nuestro equipo de atención al cliente se encarga del resto.

Who am I buying this summary from?

Stuvia is a marketplace, so you are not buying this document from us, but from seller ma_medina. Stuvia facilitates payment to the seller.

Will I be stuck with a subscription?

No, you only buy this summary for 7,03 €. You're not tied to anything after your purchase.

Can Stuvia be trusted?

4.6 stars on Google & Trustpilot (+1000 reviews)

45,681 summaries were sold in the last 30 days

Founded in 2010, the go-to place to buy summaries for 15 years now

Empieza a vender