Ajuste de los modelos | Clasificación: validación de modelos y métricas de evaluación

Una alcance respecto a la precisión delos modelos: En el desafío la opinión del instructor entrega una solución del modelo con el RandomForestClassifier. Y posteriormente comenta que: "A partir de esta matriz, nos damos cuenta de que a pesar de una precisión mayor, el modelo RandomForest no logra identificar casi ningún cliente moroso, indicando un resultado bastante malo en relación al modelo de árbol de decisión (identifica 2)". Usando el algoritmo de RandomForestClassifier, pero haciendo el ajuste de eliminar la restricción maxdepth = 10 (dejándola en 0), y además usando los test size en 0.15 y 0.25, queda mejor que el árbol de decisión con 47 morosos identificados. Además, los morosos cumplidos bajan de 120 a 19 quedando mejor que en todos los modelos mostrados. Aunque todavía los morosos que aparecen como cumplidos son altos (805), son más bajos que en los demás modelos (962 en clases, y 1000 en ejemplo del desafío). ¿Son válidos los ajustes que realicé para mejorar los resultados? Saludos

Hola Carlos,

¡Gracias por compartir tu experiencia con el ajuste del modelo! Es genial ver que has experimentado con diferentes configuraciones para mejorar el desempeño de tu modelo de Random Forest. Los ajustes que mencionas, como cambiar el max_depth y el test_size, son estrategias válidas para intentar mejorar la capacidad predictiva de un modelo.

Eliminar la restricción max_depth permite que los árboles en el bosque crezcan más, lo que puede ayudar a capturar relaciones más complejas en los datos. Sin embargo, es importante tener en cuenta que esto también puede aumentar el riesgo de sobreajuste, especialmente si el conjunto de datos de entrenamiento es pequeño. Por eso, siempre es una buena práctica validar tus resultados con un conjunto de prueba o mediante validación cruzada.

En cuanto al test_size, ajustar el tamaño del conjunto de prueba puede impactar en la evaluación del modelo. Un test_size más pequeño significa que estás entrenando con más datos, lo cual puede mejorar el ajuste del modelo, pero también puede hacer que la evaluación sea menos representativa si el conjunto de prueba es demasiado pequeño.

Es importante que continúes comparando tus resultados con diferentes configuraciones y modelos, como lo estás haciendo, para asegurarte de que las mejoras sean consistentes y no solo un resultado de una división particular de los datos.

Espero que esta respuesta te sea útil y te motive a seguir explorando y ajustando tus modelos. ¡Espero haber ayudado y buenos estudios!

Si este post te ayudó, por favor, marca como solucionado ✓. Continúa con tus estudios!