Hay muchos métodos de aprendizaje automático disponibles para cualquier problema en particular, desde métodos lineales simples hasta métodos altamente no lineales. Inicialmente, uno debería intentar con métodos más simples como la regresión logística, los árboles de decisión y Naive Bayes, luego pasar a SVM, bosques aleatorios, AdaBoost, redes neuronales, etc., luego al aprendizaje profundo.
Utilice la validación cruzada 10 veces para evaluar los modelos. Los métodos más simples son en su mayoría métodos lineales. Lo más probable es que obtenga un mejor rendimiento con métodos no lineales.
Para decidir sobre el modelo, compare las métricas de rendimiento de precisión, sensibilidad, especificidad y área bajo las curvas ROC de las técnicas utilizadas. Elija el modelo que ofrece las mejores métricas de rendimiento. Estos valores deben estar en el lado superior.
- ¿En qué se diferencia LSTM de RNN? En una explicación laica.
- ¿Cuál es la mejor introducción al aprendizaje profundo para un estudiante graduado con experiencia en matemáticas y CS?
- ¿Cuál es la posibilidad de que un humano gane el juego de entropía?
- Cuál debería ser mi próximo paso, después de cubrir las estadísticas básicas de las estadísticas principales, un curso básico de análisis de datos (preparación de datos, exploración, clasificación, minería de reglas de asociación, agrupación, regresión) y un proyecto en un conjunto de datos SSLC (puede encontrarlo en mi único blog en Quora) usando R?
- Cómo clasificar micro-textos (tweets, preguntas, etc.)