Open felipedonoso opened 2 years ago
Cada modelo tiene su propio parámetro e hiperparametro:
Es lo que la función de entrenamiento busca(parámetro) Kmeans. Kamisn determina unos centroides(nuestros parámetros).
Kmeans hiperparametro (K), la distancia
Score, es la forma hay que definir una función: Algo clave y meterse en la cabeza:
Funciones de Score:
K-nn es llamado lazy learning
Se basa en la distancia a menor distancia toma el valor del resto.
K-NN define una frontera de decisión :
KNN 01:20 hr
desVentaja de KNN (spoiler) cuando hay muchos registros se vuelve imposible
Modelos predictivos:
K-Nearest Neighbors
Siempre tenemos una variable de interes(enfocarse en una) es lo primero en capstone definir el problema:
Ha pasado muchas veces que uno no visualiza la información va a tener, fijarse donde uno esta parado(ej: predecir notas del primer semestre y tienes datos del segundo). Los modelos se enfocan en modelar la distribución condicional P(Y|X)
Tips Capstone:
Ejemplo predictivo:
Ahora aplicando modelos:
Frontera de decisión : Sí o no (Modelos discriminativos):
Ranking:
LDA Modelos paramétricos: Naive Bayes Modelos no paramétricos: Àrboles de decisión