Saltar al contenido

Lección 7 de 16 · Lectura y práctica

Búsqueda de Hiperparámetros: GridSearchCV, RandomizedSearchCV y Optuna

Búsqueda de Hiperparámetros: GridSearchCV, RandomizedSearchCV y Optuna Esta leccion pertenece al curso Machine Learning Práctico con Scikit-Learn y esta pensada para que avances con criterio profesional, no solo con teoria..

Del concepto a la práctica

Taller de esta lección

Una búsqueda de hiperparámetros es un experimento con presupuesto, no una garantía de generalización. GridSearchCV recorre combinaciones explícitas; RandomizedSearchCV muestrea configuraciones. La selección debe ocurrir dentro de la validación y el test debe permanecer intacto.

Ejemplo resuelto

python
X_train = [[1, 10], [2, 20], [3, 30], [4, 40], [5, 50], [6, 60]]
y_train = [0, 0, 0, 1, 1, 1]
X_valid = [[2, 15], [5, 55]]
y_valid = [0, 1]
from sklearn.model_selection import GridSearchCV
from sklearn.tree import DecisionTreeClassifier
busqueda = GridSearchCV(DecisionTreeClassifier(random_state=3), {"max_depth": [1, 2, 3]}, cv=3, scoring="accuracy")
busqueda.fit(X_train, y_train)
print(busqueda.best_params_)
  1. Elige métrica y pliegues antes de ejecutar.

  2. Define un espacio pequeño y justificable.

  3. Ajusta solo con entrenamiento.

  4. Evalúa una vez la configuración elegida en test.

Error frecuente: mirar test para escoger entre configuraciones. Corrígelo reservando test hasta el final.

Pruébalo

Usa tres valores de max_depth y registra best_params_ y best_score_.

Comprueba tu resultado

El resultado debe identificar un único valor entre 1, 2 y 3; best_score_ pertenece a validación, no es la puntuación final de test.

En esta comparación conserva el mismo conjunto de evaluación para cada alternativa: cambiar las filas haría incomparable el resultado. El fixture comprueba el contrato de cálculo y no el rendimiento de una población real. Para el proyecto de churn, usa suficiente evidencia fuera de entrenamiento y documenta la dispersión en vez de declarar un ganador por una cifra aislada.

Este ejemplo contiene tres muestras de cada clase, suficientes para tres pliegues estratificados en la demostración. GridSearchCV prueba 3 configuraciones × 3 pliegues = 9 ajustes de validación y, con refit=True, un ajuste final. Optuna puede proponer configuraciones adaptativamente, pero debe consultar solo el resultado de validación: ni su número de pruebas ni su búsqueda justifican mirar el test.

Conjuntos separados de entrenamiento, validación y prueba final con funciones distintas.
CursaloMapa de práctica
Entrenar sin mirar el examen

El entrenamiento ajusta los parámetros del modelo. La validación ayuda a elegir el enfoque sin utilizar la prueba final. Reserva la prueba para evaluar la decisión terminada y evita que sus resultados vuelvan al ajuste.

Ver la infografía en tamaño completo ↗

Búsqueda de Hiperparámetros: GridSearchCV, RandomizedSearchCV y Optuna

Esta leccion pertenece al curso Machine Learning Práctico con Scikit-Learn y esta pensada para que avances con criterio profesional, no solo con teoria. Primero entiende el concepto, despues aplicalo en una situacion concreta y finalmente deja evidencia de lo que aprendiste.

Objetivo practico

Al terminar, deberias poder explicar el tema con tus palabras, reconocer cuando usarlo y construir una version simple que sirva como base para un proyecto real.

Pasos recomendados

  1. Lee el concepto y escribi una definicion breve.
  2. Identifica un caso de uso laboral donde aparezca este problema.
  3. Construye un ejemplo pequeno y documenta las decisiones.
  4. Compara tu resultado con el checklist de la leccion.

Sigue con Machine Learning Práctico con Scikit-Learn

Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.

Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.

01 / ELEGIR UNA RUTA

El próximo paso

Aprende IA mientras construyes algo que sí necesitas.

Empieza por el curso inicial o explora el catálogo para encontrar una práctica alineada con tu trabajo.