El aprendizaje automático es una palabra de moda hoy en día. La gente en estos días tiene una idea errónea sobre el aprendizaje automático, que incluye aprender los algoritmos. Sin embargo, en realidad no se trata solo de algoritmos. Los algoritmos son el primer paso hacia el aprendizaje automático.
La parte posterior es Optimización , que incluye aumentar la eficiencia de su modelo. Hablando francamente, no puedes lograr el modelo más efectivo a la vez. Requiere muchas iteraciones y esfuerzos regresivos. Ahora, puede que se pregunte: ¿Cuál es este modelo efectivo y si hay algún parámetro para verificar, la eficiencia / precisión de su modelo?
Bueno, un modelo efectivo / preciso es un modelo que predice los datos de prueba con mayor precisión en comparación con otros modelos y, por lo tanto, puede implementarse con éxito. Hay diferentes parámetros que puede usar para comentar sobre la precisión de su modelo:
- ¿Las redes de confrontación generativas funcionan para la detección de valores atípicos?
- ¿Es cierto que las redes neuronales son más rápidas en las mujeres?
- ¿Podemos usar el modelo oculto de Markov para inferir las variables ocultas del universo?
- ¿Qué información se debe divulgar para caracterizar un conjunto de datos para la clasificación de texto?
- ¿Debo aplicar PCA antes o después de la selección de funciones?
- R ^ 2 Valor de su modelo
- Valor R ^ 2 ajustado
- Valor RMSE
- Matriz de confusión para problemas de clasificación, etc.
También puede importar métricas de precisión desde bibliotecas integradas como scikit-learn en Python, métricas de precisión en R y similares.
Espero, te he dejado claro !!
