Página
Tema 1.3 - Experimentación reto de clasificación
Resumen
Utilizar la siguiente configuración para los modelos:
- DecisionTreeClassifier = max_depth=10,class_weight="balanced", min_samples_leaf=4,min_samples_split=4
- RandomForestClassifier = n_estimators=1000,max_features="log2",min_samples_leaf=4,min_samples_split=4,max_depth=10, class_weight="balanced".
- LinearSVC = class_weight="balanced", C=1.7
- MLPClassifier = solver='lbfgs',hidden_layer_sizes=(500,500,100), alpha=1,early_stopping=True
- LogisticRegression = class_weight="balanced"
En este capítulo vamos a evaluar los siguientes modelos:
|
GaussianNB:
https://scikitlearn.org/stable/modules/generated/sklearn.naive_ bayes.GaussianNB.html#sklearn.naive_bayes.GaussianNB |
DecisionTreeClassifier(Árbol de decisión para problemas de clasificación):
https://scikit-learn.org/stable/modules/generated/sklearn.tree |
|
Random forests(Problemas de clasificación):
|
Máquinas de Soporte Vectorial con kernel lineal:
https://scikit-learn.org/stable/modules/generated/sklearn.svm.Linear |
|
Redes Neuronales Artificiales:
|
LogisticRegression(Regresión logística):
https://scikit-learn.org/stable/modules/generated/sklearn.linear_model. |
Última modificación: viernes, 20 de enero de 2023, 18:15