Explora la optimización de hiperparámetros

Un hiperparámetro es un parámetro del modelo que tú eliges antes de empezar el entrenamiento. (Esto contrasta con los parámetros, que vienen determinados por el entrenamiento del modelo). Los hiperparámetros que se pueden establecer difieren según el tipo de modelo.

Aquí puedes ver los resultados de un modelo de refuerzo de gradiente (GBM) que intenta predecir si la gente votará o no en unas elecciones. Los GBM son un tipo de modelo de conjunto que crea muchos árboles de regresión. Los hiperparámetros de los GBM incluyen el número de árboles a generar, la complejidad de cada árbol y la tasa de aprendizaje (cuánto peso se da a cada árbol).

Normalmente es imposible saber qué combinación de hiperparámetros dará como resultado el modelo de mejor rendimiento, así que tienes que probar muchas combinaciones de ellos.

Utiliza los controles del panel para cambiar los hiperparámetros y encontrar la combinación que proporcione la mayor exactitud.