Saltar al contenido

Lección 3 de 16 · Lectura y práctica

Estrategias Avanzadas de Validación Cruzada

Estrategias Avanzadas de Validación Cruzada 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,.

Del concepto a la práctica

Taller de esta lección

La validación cruzada debe imitar cómo llegarán los datos. Si cada cliente aparece varias veces, GroupKFold evita que registros de una misma cuenta terminen en entrenamiento y validación. Si existe orden temporal, una división hacia delante evita aprender del futuro.

Ejemplo resuelto

python
from sklearn.model_selection import GroupKFold, cross_val_score
from sklearn.linear_model import LogisticRegression
X = [[1], [2], [3], [4], [5], [6]]
y = [0, 1, 0, 1, 0, 1]
groups = [10, 10, 11, 11, 12, 12]
cv = GroupKFold(n_splits=3)
s = cross_val_score(LogisticRegression(), X, y, groups=groups, cv=cv, scoring="accuracy")
print(len(s))  # 3
  1. Identifica grupos o tiempo antes de escoger cv.

  2. Mantén la misma métrica entre candidatos.

  3. Pasa los grupos a la evaluación.

  4. Resume media y dispersión, no solo la mejor partición.

Error frecuente: usar KFold cuando una cuenta tiene varias filas. Corrígelo agrupando por cuenta.

Pruébalo

Repite el ejemplo y muestra los índices de cada pliegue.

Comprueba tu resultado

Cada grupo aparece completo en una sola partición de validación y se generan tres puntuaciones.

El ejemplo usa la configuración predeterminada de metadata routing. Si tu sesión habilita esa opción, pasa los grupos con params={"groups": groups} en cross_val_score, en lugar de su argumento groups. La restricción por grupos debe mantenerse en ambos casos.

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 ↗
Fuentes para profundizar

Estrategias Avanzadas de Validación Cruzada

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.