Genial!!, hace unos meses participe en un datathon y este fue un tema muy usado. Lo que me gustaria saber es como afinar la efectividad de la prediccion final.
Hola Fernando. Una forma es podando el árbol antes o después del entrenamiento. Si lo haces antes puedes afinar por ejemplo el número de datos en cada nodo, o el mínimo número de datos para generar una partición. Si haces la post-poda puedes usar por ejemplo el algoritmo de poda de complejidad de costos (que ya viene implementado en Scikit Learn). Un saludo!
Profe Miguel, hace un tiempo quería preguntarte si seria posible que hicieras un tutorial tratando el tema de las redes convolucionales enfocado en la parte artistica, como trasferencia de estilo o deepdream. Gracias por tus videos , como siempre amenos y claros.
Bien importante ese final, los arboles de decision son muy interesantes pero malisimos en terminos de si agregamos muchos mas datos ya que el nivel de computo aumenta exponencialmente. Adicional en función de la profundidad tienen problemas de bias y varianza que se corrige usando boosting o bagging y ahi preciso es el tema de estrategias como los famosos bosques aleatorios que son tan potentes.
Estimado Miguel, ¿será posible que nos deleites con un par de videos explicando en detalle el algoritmo de muzero (o alphaGo zero) de Deepmind? Aun no logro entenderlo bien desde fuentes en inglés, de seguro seria un gran aporte de tu canal. Muchas gracias!
Hay algún criterio óptimo para la división del árbol ? O el número de hojas finales suele ser el más recomendado ? Gracias por el video ! A modificar esos w de la red de YT con mi comentario :p
Hola... y qué buena pregunta. No, realmente, como ocurre usualmente al entrenar modelos de Machine Learning, realmente no existe un criterio óptimo en este caso. Y la respuesta es sencilla: todo depende de las características que tengan los datos que se estén usando en el entrenamiento. La sugerencia es definir antes del entrenamiento el hiperparámetro "número de hojas", (1) entrenar el modelo y validarlo con el set de prueba, (2) verificar el error y repetir (1) y (2) variando el "número de hojas" hasta obtener un valor adecuado para el error de validación. Otra alternativa es usar la poda de complejidad de costos, que explico precisamente al final del video. Un saludo!
🔥🔥Academia Online: codificandobits.com 🔥🔥
🔥🔥Asesorías y formación personalizada: codificandobits.com/servicios 🔥🔥
Increible conocer la teoría detrás de los conceptos, no solo es suficiente aprender el código e python o en R.
Tienes razón Gerardo, no basta con conocer únicamente la forma de programar estos algoritmos... Es necesario saber lo que pasa en el fondo. Un saludo!
Maravilloso, gracias
Excelente video, muy clara la explicación. Muchas gracias por compartir este material!
La teoría y el principio matemático super explicado. En verdad le agradezco por este video :)
Con gusto y gracias por tu comentario. Un saludo!
Muchas gracias. Gran ayuda para la asignatura de Inteligencia Artificial
Eres un genio, gracias x enseñarnos estos interesantes temas. Un abrazo desde Chile.
De nuevo gracias por tu comentario Felipe. Te envío un saludo!
Muchas gracias, me ayudo mucho este video.
Excelente explicación, estoy usando M5P en weka para regresión y con este video he resuelto algunas dudas, saludos desde de México.
Muchas gracias, maravilloso encontrar tus explicaciones siempre tan lúdicas. Un abrazo
Abrazos Juan Andrés, y gracias por tus usuales comentarios!
¡Excelente explicación!
Gracias por tu comentario Oscar. Un saludo!
Muchas gracias!! que bien explicado...
Disculpa las nuevas particiones son siempre hacia la derecha?
Por qué no puedo hacerlo hacia la izquierda?
Gracias
Felicidades! gran video y material
Excelente explicación!
Muchas gracias por tu comentario Juan. Te envío un saludo!
Excelente video muchisimas gracias. Ansioso de ver una implementacion de este algoritmo en Python 😲
Crack!!!!!!!!!!!!!!!
Genial!!, hace unos meses participe en un datathon y este fue un tema muy usado. Lo que me gustaria saber es como afinar la efectividad de la prediccion final.
Hola Fernando. Una forma es podando el árbol antes o después del entrenamiento. Si lo haces antes puedes afinar por ejemplo el número de datos en cada nodo, o el mínimo número de datos para generar una partición. Si haces la post-poda puedes usar por ejemplo el algoritmo de poda de complejidad de costos (que ya viene implementado en Scikit Learn). Un saludo!
Profe Miguel, hace un tiempo quería preguntarte si seria posible que hicieras un tutorial tratando el tema de las redes convolucionales enfocado en la parte artistica, como trasferencia de estilo o deepdream. Gracias por tus videos , como siempre amenos y claros.
Gracias por tu sugerencia. Ya tomé nota e intentaré abrir un espacio en la programación del canal para incluir este tema. Un saludo!
Bien importante ese final, los arboles de decision son muy interesantes pero malisimos en terminos de si agregamos muchos mas datos ya que el nivel de computo aumenta exponencialmente. Adicional en función de la profundidad tienen problemas de bias y varianza que se corrige usando boosting o bagging y ahi preciso es el tema de estrategias como los famosos bosques aleatorios que son tan potentes.
Exactamente Johan... y precisamente vienen videos sobre los bosques aleatorios (bagging) y el boosting. Un saludo!
Estimado Miguel, ¿será posible que nos deleites con un par de videos explicando en detalle el algoritmo de muzero (o alphaGo zero) de Deepmind? Aun no logro entenderlo bien desde fuentes en inglés, de seguro seria un gran aporte de tu canal. Muchas gracias!
Hola Felipe y muchas gracias por tu sugerencia. Tomo nota e intentaré buscar un espacio para hablar del tema en próximos videos del canal. Un saludo!
Hay algún criterio óptimo para la división del árbol ? O el número de hojas finales suele ser el más recomendado ?
Gracias por el video ! A modificar esos w de la red de YT con mi comentario :p
Hola... y qué buena pregunta. No, realmente, como ocurre usualmente al entrenar modelos de Machine Learning, realmente no existe un criterio óptimo en este caso. Y la respuesta es sencilla: todo depende de las características que tengan los datos que se estén usando en el entrenamiento.
La sugerencia es definir antes del entrenamiento el hiperparámetro "número de hojas", (1) entrenar el modelo y validarlo con el set de prueba, (2) verificar el error y repetir (1) y (2) variando el "número de hojas" hasta obtener un valor adecuado para el error de validación. Otra alternativa es usar la poda de complejidad de costos, que explico precisamente al final del video.
Un saludo!
te amo wn, super claro
:) :) :)
hermano tu explicacion es excelente, pero los sonidos que pones son molestos :/