Regularización en aprendizaje automático: Ridge, Lasso y ElasticNet

El sobreajuste es uno de los desafíos más comunes al entrenar modelos de aprendizaje automático, lo que hace que tengan un buen rendimiento en los datos de entrenamiento, pero no en los nuevos datos no vistos.La regularización es la clave para resolver este problema, lo cual le permite crear modelos que se generalizan de manera hermosa. A través de este curso completo solo de texto, pasará de comprender la regresión lineal básica a implementar técnicas avanzadas de regularización.Aprenderá cómo controlar la complejidad del modelo y seleccionar las características más importantes utilizando Ridge, Lasso y ElasticNet. Qué aprenderá: - Comprenda los conceptos fundamentales de la compensación de sesgo-varianza y por qué ocurre el sobreajuste. - Aplique la regresión de Ridge para penalizar los coeficientes grandes y manejar la multicolinearidad. - Implemente la regressión de Lasso para la selección automática de características y modelos escasos. - Configure la regresión ElasticNet para combinar las fortalezas de las penalizaciones L1 y L2. - Ajuste los hiperparámetros de regularización utilizando las modernas herramientas de validación cruzada scikit-learn. - Prepare las entradas del conjunto de datos utilizando los flujos de trabajo y las técnicas de escalado de Python. El curso comienza con terminología clave, conceptos básicos y definiciones fundamentales de complejidad de modelo antes de pasar a conceptos matemáticos prácticos, implementaciones de Python y estrategias de ajuste de hiperparámetros.Este curso está diseñado para principiantes sin experiencia previa en aprendizaje automático, aunque la familiaridad básica con Python es útil. Comience a leer hoy mismo para crear modelos de aprendizaje automático robustos que se desempeñen de manera confiable en datos del mundo real.