Métricas de evaluación de modelos de aprendizaje automático con Scikit-learn

La evaluación correcta de los modelos de aprendizaje automático es esencial para crear aplicaciones de ciencia de datos confiables, pero la selección de la métrica de evaluación incorrecta puede ocultar graves defectos en el modelo y conducir a una mala toma de decisiones en escenarios del mundo real. Este curso escrito proporciona una base completa en técnicas de evaluación para tareas de clasificación y regresión utilizando Python y Scikit-learn. Lo que aprenderás: - Comprender los conceptos fundamentales de validación de modelos, tipos de error y puntos de referencia de línea de base - Calcular e interpretar las métricas de clasificación, incluyendo precisión, recordatorio, puntuación F1 y ROC-AUC - Mida la precisión de la regresión usando MSE, RMSE, MAE, R-cuadrado y métricas ajustadas - Manejar conjuntos de datos desequilibrados de manera efectiva con estrategias de evaluación especializadas y curvas de RP - Aplicar técnicas de validación cruzada para evitar el sobreajuste y evaluar la generalizabilidad del modelo - Implementar funciones de puntuación de evaluación personalizadas dentro de las tuberías Scikit-learn El curso comienza con la terminología clave, los principios básicos y las intuiciones matemáticas detrás de cada métrica antes de recorrer ejemplos prácticos de código.Leerá explicaciones estructuradas y analizará implementaciones prácticas de código paso a paso. Este curso está diseñado para científicos de datos principiantes, entusiastas del aprendizaje automático y analistas de datos que desean dominar la evaluación de modelos.Se recomienda una familiaridad básica con la programación de Python.