Lección 8 de 16 · Lectura y práctica
Evaluación de Conocimiento: Algoritmos Ensemble
Practica evaluación de conocimiento: algoritmos ensemble con un ejemplo resuelto, un ejercicio y una infografía.
Del concepto a la práctica
Taller de esta lección
Esta evaluación distingue una comparación controlada de una afirmación apresurada. Supón que dos modelos usan la misma separación: A obtiene balanced accuracy 0,72 y B 0,70; B tarda la mitad y produce menos falsos negativos.
Ejemplo resuelto
Modelo A: 0,72; falsos negativos = 8; tiempo = 10 s
Modelo B: 0,70; falsos negativos = 5; tiempo = 5 sNo existe una elección automática: depende del coste asignado a cada error y del presupuesto. La respuesta debe conservar ambas métricas y explicar la prioridad.
Comprueba que las filas sean iguales.
Verifica la clase positiva.
Compara métrica, errores y tiempo.
Expón qué supuesto decide la elección.
Error frecuente: elegir siempre el porcentaje mayor. Corrígelo incluyendo la matriz de confusión y el coste operativo.
Pruébalo
Escribe una recomendación si detectar churn es más importante que ahorrar cinco segundos.
Comprueba tu resultado
Si reducir falsos negativos es la prioridad y la evaluación es comparable, puedes preferir B: pierde 0,02 de balanced accuracy, pero deja de omitir tres positivos y tarda menos. Justifica ese intercambio y conserva la incertidumbre de la muestra; no estás obligado a elegir A por tener la cifra mayor.

Mapa de prácticaEl 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 ↗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.