Obtener baja precisión no es tan malo como parece, porque eso podría ser lo mejor que puede hacer de todos modos. Si su tasa de predicción es del 50%, entonces es tan bueno como un clasificador aleatorio (considerando 2 clases), es decir, no está ocurriendo aprendizaje. Puede haber diferentes ideas con las que puede jugar para mejorar la precisión:
- Reemplace el clasificador lineal con uno no lineal. Por ejemplo, intente SVM con núcleo gaussiano en lugar de un núcleo lineal o regresión logística.
- Pruebe los métodos de conjunto, es decir, en lugar de un árbol de decisión normal, utilice enfoques de bosque aleatorio o adaboost o aumento de gradiente.
- Cambia tus características o su representación. A veces puede ser útil agregar nuevas funciones. También puede probar la selección de características, la transformación de características (por ejemplo, PCA, proyección aleatoria) o el aprendizaje de características (por ejemplo, Autoencoders, Redes de convolución)
- Intente ajustar los parámetros o hiperparámetros del clasificador específico. Algunos de sus valores podrían ajustarse mejor a sus datos que otros.
- Realice una limpieza de datos, elimine datos erróneos o ruidosos; esto puede ayudar a aprender mejores clasificadores.
HTH.
- ¿Cómo se puede comparar Big data con Machine Learning?
- ¿Qué es más poderoso, la red neuronal convolucional o la red artificial? ¿Cuál es más conveniente de usar?
- ¿Cuáles son algunos buenos cursos y certificaciones en línea en aprendizaje automático e inteligencia artificial para un estudiante universitario de CS actual?
- Cómo guardar un modelo de red neuronal de convolución después del entrenamiento
- Aprendizaje profundo: ¿Por qué la función energética de la máquina de Boltzmann restringida se define de la manera en que se define?