Es una buena práctica reunir una población de resultados al comparar dos algoritmos de aprendizaje automático diferentes o al comparar el mismo algoritmo con diferentes configuraciones.
La repetición de cada ejecución experimental 30 o más veces le proporciona una población de resultados a partir de los cuales puede calcular el rendimiento medio esperado, dada la naturaleza estocástica de la mayoría de los algoritmos de aprendizaje automático.
Si el rendimiento medio esperado de dos algoritmos o configuraciones es diferente, ¿cómo sabe que la diferencia es significativa y qué importancia tiene?
- ¿Qué piensa Andrew Ng sobre Deep Learning?
- ¿Cuál es la diferencia entre redes neuronales y de creencias?
- ¿Puede Naive Bayes alcanzar algún rendimiento con suficientes datos?
- ¿Qué has aprendido haciendo investigación?
- ¿Cuáles son las funciones básicas del olfato? Al igual que los datos visuales se pueden aproximar en una base 3D (RGB, HSI, etc.), ¿se puede aproximar el olor como una suma lineal de unos pocos olores básicos?
Las pruebas de significación estadística son una herramienta importante para ayudar a interpretar los resultados de los experimentos de aprendizaje automático. Además, los resultados de estas herramientas pueden ayudarlo a presentar mejor y con mayor confianza sus resultados experimentales y elegir los algoritmos y configuraciones correctos para su problema de modelado predictivo.
Lee mas…